Question

Pythran是一个把Python转换成C++的编译器，作用于包含对部分numpy支持的Python子集。它表现得有点像Numba和Cython——你注解一个函数的参数，接着它接管进一步的类型注解和代码特化。它利用了矢量化可能性和基于OpenMP的并行化可能性。它只用Python2.7运行。

Pythran的一个很有趣的特点是它会意图自动发现并行化的机会（例如，如果你正使用一个map），并把它转换成并行代码，而不需要你额外的工作量。你也能用pragma omp来声明并行区域，在这方面，感觉它很类似于Cython对OpenMP的支持。

在幕后，Pythran会企图把通常的Python代码和numpy代码很激进地编译成速度很快的C++代码——甚至比Cython的结果更快。你应该注意到这个项目是年轻的，你可能会遇到错误；你也应该注意到开发团队很友好并倾向于在几小时内修正错误。

再看一下例6-9中的扩散方程。我们已经把例程中的计算部分抽取出来放到一个独立模块中，这样它就能被编译成一个二进制库。Pythran的一个良好特点就是我们不产生与Python不兼容的代码。回想起Cython，我们不得不用注解的Python来创建 .pyx文件，这样就不能被Python直接运行了。使用Pythran时，我们只需添加一行注释来让Pythran编译器识别。这意味着如果我们删除了生成的.so编译模块，我们就能单独用Python来运行我们的代码——这对调试很有利。

在例7-16中，你可以看见我们更早期的传热方程的例子。evolve函数有一行注释来为函数注解类型信息（因为它是注释，所以如果你不用Pythran运行，Python只会忽略注释）。当Pythran运行时，它看到那行注释并且通过每一个相关的函数来传播类型信息（很像我们见到的Shed Skin）。

例7-16　添加一行注释去注解evolve()的入口点

import numpy as np
def laplacian(grid):
  return np.roll(grid, +1, 0) +
           np.roll(grid, -1, 0) +
           np.roll(grid, +1, 1) +
           np.roll(grid, -1, 1) - 4 * grid

#pythran export evolve(float64[][], float)
def evolve(grid, dt, D=1):
  return grid + dt * D * laplacian(grid)

我们可以用pythran diffusion_numpy.py来编译这个模块，会输出diffusion_numpy.so。从一个测试函数中，我们可以导入这个新模块并且调用evolve。在Ian的笔记本上，不用Pythran的话，这个函数在一个8192×2192的网格上运行了3.8秒。用了Pythran后降低到1.5秒。显然，如果Pythran支持你需要的函数的话，它就能够得到令人印象深刻的性能提升，而几乎无须做什么工作。

速度提升的原因是Pythran有它自己的roll函数版本，功能更少——因此它能编译成复杂度更低的运行可能更快的代码。这也意味着它比numpy版本（Pythran的作者说明Pythran只实现了部分numpy）的灵活度要低，但是当它工作时，能够胜出我们所见到的其他工具的运行结果。

现在让我们把相同的技术应用于Julia的展开数学表达式的例子中。只是给calculate_z添加一行注解，我们就能把运行时间降低到0.29秒——比Cython的结果慢一点点。在外循环的前面添加一行OpenMP声明后把执行时间降低到0.1秒，距离Cython的最佳OpenMP结果已经不远。注解的代码在例7-17中可见。

例7-17　得到OpenMP支持的注解Pythran的calculate_z

#pythran export calculate_z(int, complex[], complex[], int[])
def calculate_z(maxiter, zs, cs, output):
  #omp parallel for schedule(guided)
  for i in range(len(zs)):

迄今为止我们所见的技术都涉及使用常规CPyhon解释器之外的编译器。现在让我们看一下PyPy，它提供了一个全新的解释器。