Python 是一种解释型语言，它不需要编译为机器码，在执行的过程中实时被解释器解析执行，因此的它的速度相对于其他的一些编译型语言C/C++,Java等要慢很多，
但Python具有非常大的灵活性，易于上手，所以Python目前是非常受欢迎的编程语言。
如何提高Python的运行速度
提高python的运行速度有很多种方法这里列举两个
1 使用cython将python代码编译为c语言，在linux系统下非常推荐这样做。
2 使用ctypes，pybindll ，CFFI等调用C/C++库
但这些方法使用过程种多少是有一些学习成本的，不太适合刚入门的Python新手，这里推荐Numba库来加速数学类的计算密集型的Python代码。
numba加速计算密集型的代码
按照官网的定义numba将Python代码在运行过程使用工业标准的LLVM编译器库实时优化为机器码，经过numba优化后的python代码可以达到C语言或者FORTRAN的速度。
你不需要替换Python解释器，也不需要安装C/C++编译器，只需要使用numba修饰器修饰Python的函数，剩下的就交给Numba吧。
官网地址是：https://numba.pydata.org/
Numba的用法很丰富，这里只做最容易上手的入门说明
首先安装numba
pip install numba或者conda install numba
下面用大家喜欢用的蒙特卡洛模拟计算 π的代码来对比一下numba的加速效果，简单说明一下这个计算π的原理，蒙特卡洛模拟是使用大量随机逐渐发现真理的算法。下面的算法是说如果你在地上画一个正方形，在正方形中画一个圆，如果你从空中往下扔100万个小球，计算（落在圆形区域的球数）/（落在整个正方形区域内的球数）这个数字会近似π/4
圆型的面积站总面的π/4
蒙特卡洛模拟计算 π加速对比
使用numba只需要在函数上使用@njit来修饰函数即可，从结果来看，代码速度提升超过50倍，效果非常明显。需要注意的一点是numba加速的函数在第一次运行时速度会稍慢，因为第一次需要花费一些编译时间，这里的对比都是使用第二次运行的时间来做对比。
numba还有很多修饰符如下，这里我们只使用最常用的@njit来测试性能，这个修饰符已经满足入门新手的大部分的应用。
· @njit
· @vectorize
· @guvectorize
· @stencil
再举一个复杂一点的例子，我们使用python代码来实现一个低性能的深度机器学习的卷积操作，首先定义一个2d卷积函数
卷积的低性能实现
这个低性能的卷积函数在Python下运行需要15秒左右
使用如下的代码做个测试，代码中使用一个3*3*3的随机卷积核对狗狗图像进行一次卷积
实现的效果就是一次随机的卷积，如下：
代码运行时间是15s左右，下面使用@njit对卷积函数做修饰用同样的代码在做一次卷积测试时间消耗在0.2s左右同样达到了超过50倍的加速。
仅仅使用@njit对同样的代码做修饰
Numba的使用场景
值得注意的是numba是应用在计算密集型的数学运算场景，尤其和numpy结合起来的计算，非常推荐使用。Python里的一些复杂类型不能得到加速，下面使用Python的原生数组举个例子，代码中简单的对python原生数组做个求和操作。
可以看到使用numba修饰函数，反而造成了更多的时间消耗，所以在使用numba加速代码前，需要考虑一下自己的场景是否需要numba进行加速，这里如果把原生数组换成numpy数组就没有任何问题了，这也说明了使用numba加速数组时最好和numpy结合。
结论：
numba只需要一行修饰代码就可以使你的Python数学计算代码，加速几十倍以上。一起试试吧
