python工具方法和算法模型（胡渊鸣import一个太极）

同样的结果只要0.363s，快了将近6倍。我们以经典教材《算法导论》中的经典动态规划案例“最长公共子序列问题”为例。反应-扩散方程，效果惊人自然界中，总有一些动物身上长着一些看起来无序但实则并非完全随机的花纹。图灵机的发明者艾伦·图灵是第一个提出模型来描述这种现象的人。拉普拉斯算子数值的计算需要访问相邻网格。而且和只能达到30fps左右的Numba实现比起来，Taichi实现由于可以选择GPU作为后端，轻松超过了300fps。

丰色 发自 凹非寺

量子位 | 公众号 QbitAI

众所周知，Python的简单和易读性是靠牺牲性能为代价的——

尤其是在计算密集的情况下，比如多重for循环。

不过现在，大佬胡渊鸣说了：

只需import 一个叫做“Taichi”的库，就可以把代码速度提升100倍！

不信？

来看三个例子。

第一个例子非常非常简单，求所有小于给定正整数N的素数。

标准答案如下：

我们将上面的代码保存，运行。

当N为100万时，需要2.235s得到结果：

现在，我们开始施魔法。

不用更改任何函数体，import“taichi”库，然后再加两个装饰器：

Bingo！同样的结果只要0.363s，快了将近6倍。

如果N=1000万，则只要0.8s；要知道，不加它可是55s，一下子又快了70倍！

不止如此，我们还可以在ti.init()中加个参数变为ti.init(arch=ti.gpu) ，让taich在GPU上进行计算。

那么此时，计算所有小于1000万的素数就只耗时0.45s了，与原来的Python代码相比速度就提高了120倍！

厉不厉害？

什么？你觉得这个例子太简单了，说服力不够？我们再来看一个稍微复杂一点的。

动态规划不用多说，作为一种优化算法，通过动态存储中间计算结果来减少计算时间。

我们以经典教材《算法导论》中的经典动态规划案例“最长公共子序列问题（LCS）”为例。

比如对于序列a = [0, 1, 0, 2, 4, 3, 1, 2, 1]和序列b = [4, 0, 1, 4, 5, 3, 1, 2]，它们的LCS就是：

LCS(a, b) = [0, 1, 4, 3, 1, 2]。

用动态规划的思路计算LCS，就是先求解序列a的前i个元素和序列b的前j个元素的最长公共子序列的长度，然后逐步增加i或j的值，重复过程，得到结果。

我们用f[i, j]来指代这个子序列的长度，即LCS((prefix(a, i), prefix(b, j)。其中prefix(a, i) 表示序列a的前i个元素，即a[0], a[1], …, a[i - 1]，得到如下递归关系：

完整代码如下：

现在，我们用Taichi来加速：

结果如下：

胡渊鸣电脑上的程序最快做到了0.9秒内完成，而换成用NumPy来实现，则需要476秒，差异达到了超500倍！

最后，我们再来一个不一样的例子。

自然界中，总有一些动物身上长着一些看起来无序但实则并非完全随机的花纹。

图灵机的发明者艾伦·图灵是第一个提出模型来描述这种现象的人。

在该模型中，两种化学物质（U和V）来模拟图案的生成。这两者之间的关系类似于猎物和捕食者，它们自行移动并有交互：

1. 最初，U和V随机分布在一个域上；
2. 在每个时间步，它们逐渐扩散到邻近空间；
3. 当U和V相遇时，一部分U被V吞噬。因此，V的浓度增加；
4. 为了避免U被V根除，我们在每个时间步添加一定百分比 (f) 的U并删除一定百分比 (k) 的V。

上面这个过程被概述为“反应-扩散方程”：

其中有四个关键参数：Du（U的扩散速度），Dv（V的扩散速度），f（feed的缩写，控制U的加入）和k（kill的缩写，控制V的去除）。

如果Taichi中实现这个方程，首先创建网格来表示域，用vec2表示每个网格中U, V的浓度值。

拉普拉斯算子数值的计算需要访问相邻网格。为了避免在同一循环中更新和读取数据，我们应该创建两个形状相同的网格W×H×2。

每次从一个网格访问数据时，我们将更新的数据写入另一个网格，然后切换下一个网格。那么数据结构设计就是这样：

一开始，我们将U在网格中的浓度设置为 1，并将V放置在50个随机选择的位置：

那么实际计算就可以用不到10行代码完成：

@ti.kerneldef compute(phase: int):for i, j in ti.ndrange(W, H):cen = uv[phase, i, j]lapl = uv[phase, i1, j]uv[phase, i, j1]uv[phase, i - 1, j]uv[phase, i, j - 1] - 4.0 * cendu = Du * lapl[0] - cen[0] * cen[1] * cen[1]feed * (1 - cen[0])dv = Dv * lapl[1]cen[0] * cen[1] * cen[1] - (feedkill) * cen[1]val = cen0.5 * tm.vec2(du, dv)uv[1 - phase, i, j] = val

在这里，我们使用整数相位（0或1）来控制我们从哪个网格读取数据。

最后一步就是根据V的浓度对结果进行染色，就可以得到这样一个效果惊人的图案：

有趣的是，胡渊鸣介绍，即使V的初始浓度是随机设置的，但每次都可以得到相似的结果。

而且和只能达到30fps左右的Numba实现比起来，Taichi实现由于可以选择GPU作为后端，轻松超过了 300fps。

看完上面三个例子，你这下相信了吧？

其实，Taichi就是一个嵌入在Python中的DSL（动态脚本语言），它通过自己的编译器将被 @ti.kernel 装饰的函数编译到各种硬件上，包括CPU和GPU，然后进行高性能计算。

有了它，你无需再羡慕C/CUDA的性能。

正如其名，Taichi就出自太极图形胡渊鸣的团队，现在你只需要用pip install就能安装这个库，并与其他Python库进行交互，包括NumPy、Matplotlib和PyTorch等等。

当然，Taichi用起来和这些库以及其他加速方法有什么差别，胡渊鸣也给出了详细的优缺点对比，感兴趣的朋友可以戳下面的链接详细查看：

https://docs.taichi-lang.org/blog/accelerate-python-code-100x

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态