豐色 發自 凹非寺

量子位 | 公眾號 QbitAI

眾所周知，Python的簡單和易讀性是

靠犧牲效能

為代價的——

尤其是在計算密集的情況下，比如多重for迴圈。

不過現在，大佬

胡淵鳴

說了：

只需import 一個叫做“Taichi”的庫，就可以把程式碼速度

提升100倍

！

不信？

來看三個例子。

計算素數的個數，速度x120

第一個例子非常非常簡單，求所有小於給定正整數N的素數。

標準答案如下：

我們將上面的程式碼儲存，執行。

當N為100萬時，需要2。235s得到結果：

現在，我們開始施魔法。

不用更改任何函式體，import“taichi”庫，然後再加兩個裝飾器：

Bingo！

同樣的結果只要0.363s，快了將近6倍。

如果N=1000萬，則只要0。8s；要知道，不加它可是55s，一下子又快了

70倍

！

不止如此，我們還可以在ti。init（）中加個引數變為ti。init（arch=ti。gpu） ，讓taich在

GPU

上進行計算。

那麼此時，計算所有小於1000萬的素數就只耗時0。45s了，與原來的Python程式碼相比速度就

提高了120倍

！

厲不厲害？

什麼？你覺得這個例子太簡單了，說服力不夠？我們再來看一個稍微複雜一點的。

動態規劃，速度x500

動態規劃不用多說，作為一種最佳化演算法，透過動態儲存中間計算結果來減少計算時間。

我們以經典教材《演算法導論》中的經典動態規劃案例

“最長公共子序列問題（LCS）”

為例。

比如對於序列a = ［0， 1， 0， 2， 4， 3， 1， 2， 1］和序列b = ［4， 0， 1， 4， 5， 3， 1， 2］，它們的LCS就是：

LCS（a， b） = ［0， 1， 4， 3， 1， 2］。

用動態規劃的思路計算LCS，就是先求解序列a的前i個元素和序列b的前j個元素的最長公共子序列的長度，然後逐步增加i或j的值，重複過程，得到結果。

我們用f［i， j］來指代這個子序列的長度，即LCS（（prefix（a， i）， prefix（b， j）。其中prefix（a， i） 表示序列a的前i個元素，即a［0］， a［1］， …， a［i - 1］，得到如下遞迴關係：

完整程式碼如下：

現在，我們用Taichi來加速：

結果如下：

胡淵鳴電腦上的程式

最快做到了0.9秒內

完成，而

換成用NumPy來實現，則需要476秒，差異達到了超500倍！

最後，我們再來一個不一樣的例子。

反應 - 擴散方程，效果驚人

自然界中，總有一些動物身上長著一些看起來無序但實則並非完全隨機的花紋。

圖靈機的發明者艾倫·圖靈是第一個提出模型來描述這種現象的人。

在該模型中，兩種化學物質

（U和V）

來模擬圖案的生成。這兩者之間的關係類似於獵物和捕食者，它們自行移動並有互動：

最初，U和V隨機分佈在一個域上；

在每個時間步，它們逐漸擴散到鄰近空間；

當U和V相遇時，一部分U被V吞噬。因此，V的濃度增加；

為了避免U被V根除，我們在每個時間步新增一定百分比 （f） 的U並刪除一定百分比 （k） 的V。

上面這個過程被概述為“反應-擴散方程”：

其中有四個關鍵引數：Du

（U的擴散速度）

，Dv

（V的擴散速度）

，f

（feed的縮寫，控制U的加入）

和k

（kill的縮寫，控制V的去除）

。

如果Taichi中實現這個方程，首先建立網格來表示域，用vec2表示每個網格中U， V的濃度值。

拉普拉斯運算元數值的計算需要訪問相鄰網格。為了避免在同一迴圈中更新和讀取資料，我們應該建立兩個形狀相同的網格W×H×2。

每次從一個網格訪問資料時，我們將更新的資料寫入另一個網格，然後切換下一個網格。那麼資料結構設計就是這樣：

一開始，我們將U在網格中的濃度設定為 1，並將V放置在50個隨機選擇的位置：

那麼實際計算就可以用不到10行程式碼完成：