Petite mise en bouche en alexandrin pour annoncer une nouvelle version de Pythran, compilateur pour le Python scientifique.
L'automne arrive, avec son lot de feuilles mortes
Pythran jamais ne dérive, il fallait qu'il sorte
Pas de grande nouveauté, juste le nécessaire
Tout est vectorisé, vraiment il faut le faire !
Le logiciel est comme toujours disponible sur pypi, anaconda et Github.
Comme annoncé dans les vers ci-dessus, la grande nouveauté vient du passage de boost.simd à xsimd. J'ai détaillé dans un billet un peu plus long que cette annonce les raisons et les implications de ce passage, si ça vous intéresse, c'est sur pythran stories, site dont je vous recommande bien évidement la lecture.
Bonne nouvelle, la sauce commence à prendre ! Je reçois de plus en plus de demandes de correctifs de bugs. Parait-il que c'est bon signe :-) Et puis j'ai reçu il y a peu ce mail qui ne peut que flatter le nombril
Hi Serge,
We work in Facebook’s Stream Processing team, and we rely on Pythran to compile
source scripts of streaming applications written in Python into C++ which is
executed in the runtime engine.
Pythran serait donc une brique du flux de traitement décrit dans ce papier, c'est assez fou !
Et sous l'impulsion de @wolfv est né un petit bout de code qui permettra peut-être un jour d'appeler Pythran comme compilateur à la volée, à la numba, avec un @pythran.jit
. Pythran n'est vraiment pas taillé pour ça question temps de compilation, mais est-ce grave ?
# Appel à contribution
Posté par Nonolapéro . Évalué à 5.
Puisque ça parle de Python pour la science. Je fais un peu de pub pour la dépêche en cours de rédaction sur le thème. Pour contribuer ça se passe dans ce coin_r-> https://linuxfr.org/redaction/news/python-pour-les-sciences
# Expliciter l'intérêt
Posté par freejeff . Évalué à 9. Dernière modification le 07 novembre 2018 à 09:04.
Salut,
J'ai du bien lire le pythran stories pour comprendre l'intérêt de ce travail et je pense que c'est vraiment intéressant.
Par exemple sur ce bout de code qui est entièrement vectorisé, qui devrait donc être optimal pour l'utilisation de numpy :
Je ne me serais pas attendu à une amélioration due à l'utilisation de pythran ; en effet ; on est dans le cas où l'on utilise des fonctions purement numpy comme : np.complex,np.min,np.max,np.abs. Il n'y a aucune boucle et aucune condition, on pourrait donc se dire que compiler ce programme n'est absolument pas nécessaire !!
Et pourtant …
Temps execution :
Numpy : 3.19 ms
pythran sans vectorisation : 2.84 ms --> c'est déjà étonnant !
pythran avec vectorisation : 723 us soit un speedup de 4.4x !
Et je pense qu'ici, c'est juste l'aspect vectorisé même pas de parallélisation ! Je me demande quel serait le résultat en utilisant OpenMP sur un simple quad cœur.
Peux tu expliquer pourquoi il y a un speed-up sur pythran sans vectorisation ? Est-ce du au fait que tu fais moins de tests de dépassements pour les slices ?
Du coup, on passe de : je fais des choses compliquées, il faudrait que je fasse une lib avec pythran à Quoi que je fasse qui prenne du temps cela vaut toujours le coup de le faire avec pythran !
Honnêtement, je n'avais pas intégré cela. C'est vraiment révolutionnaire. Cela place python devant MatLab en terme de simplicité.
Pour rappel depuis de très longues années MATLab a permis de nettes améliorations de performances en utilisant la simple commande "mcc -m hello.m -a ./testdir", il était possible d'améliorer considérablement la vitesse de son programme, et cela était bien plus difficile sous python, il fallait utiliser cython, ce qui revenait à récrire totalement son programme. La numba et pythran sont arrivés, il permettent tous les deux des améliorations hallucinantes des performances avec des approches différentes. Pythran est beaucoup plus proche de ce que fait MATLab avec mcc et numba avec ses décorateurs et sa compilation à la volée permet de se poser encore moins de questions.
On arrive donc aujourd'hui à un écosystème aussi performant (voir plus sur certains points) qu'un monstre sacré dans le domaine scientifique comme MATLab.
C'est franchement une excellente nouvelle !
Peut être que dans quelques années il y aura une implémentation numpy API/ABI compatible purement en pythran !
Bon par contre On va tous t'en vouloir, car tu fais diminuer nettement le temps des pauses café !
Franchement, je suis vraiment scotché !
[^] # Re: Expliciter l'intérêt
Posté par serge_sans_paille (site web personnel) . Évalué à 3.
C'est principalement du à la fusion de boucles, comme expliqué ici : http://serge-sans-paille.github.io/pythran-stories/pythran-case-resampling.html
[^] # Re: Expliciter l'intérêt
Posté par Nicolas Boulay (site web personnel) . Évalué à 3.
Question bête est-ce que tu peux aller plus loin dans la compilation vers C++ ?
Je ne sais pas comment les fonctions mathématiques sont gérées en python, mais en C, math.h contient les définitions de code des fonctions usuels qui sont appelé par le code. Ces fonctions sont écrites avec des polynômes et des réductions de domaines.
Si ces fonctions étaient définit en template C++, et si tu génères des appels de template, le compilateur devrait pouvoir directement optimiser les opérations en les combinant (si présent dans la même unité de compilation).
A cause des restrictions de IEE754, Pythran aurait encore beaucoup de marge à faire l'optimisation lui-même. En gros, est-il possible de reprendre les définitions mathématiques des opérations lors de la génération de code, pour combiner ensuite le code généré. Cela ressemble au travail manuel qui est fait dans math.c pour chacune des opérations de base.
"La première sécurité est la liberté"
[^] # Re: Expliciter l'intérêt
Posté par serge_sans_paille (site web personnel) . Évalué à 2.
En théorie oui, et c'est une proposition sacrément intéressante que tu fais là.
En pratique je n'ai pas le bagage pour ça mais (au choix, non exclusif)
[^] # Re: Expliciter l'intérêt
Posté par Nicolas Boulay (site web personnel) . Évalué à 3.
Disons que j'ai réfléchis à ça depuis longtemps : transformer une équation mathématique en utilisant les vrais propriété des objets manipulés pour réduire l'équation entière par une des méthodes d'approximation, au lieu d'avoir 20 appels de fonctions. Je voulais le faire avec un pseudo-langage qui cible le C++, mais python vers C++, c'est encore mieux.
Le cas général étant très complexe, pour commencer, j'imagine que transformer une lib mathématique en template C++ à utiliser à la place d'appel de fonction devrait correctement fonctionner : c'est gcc qui fera le boulot. Cela revient à une sorte d'inlining de fonction.
Je ne connais pas python, donc, c'est difficile de m'y mettre. Par contre, je serais curieux de voir le résultat de compilation "typique" d'un cœur de boucle passé en C++.
"La première sécurité est la liberté"
[^] # Re: Expliciter l'intérêt
Posté par barmic . Évalué à 2.
Ça vaut pas le coût de faire juste ça dans un projet à part qui est utilisé (entre autre) part pythran ?
[^] # Re: Expliciter l'intérêt
Posté par Nicolas Boulay (site web personnel) . Évalué à 4. Dernière modification le 29 novembre 2018 à 12:33.
Si le niveau d’expressivité est le même que python, j'ai du mal à voir l’intérêt.
Si c'est pour faire un truc à part, l'idée serait plutôt de faire un langage intermédiaire de haut niveau. LVM propose un langage commun très bas niveau, l'idée serait de proposer un AST très haut niveau, avec beaucoup de transformation possible pour l'optimisation, qui ciblerait ensuite LVM ou du simple C ou du C++.
"La première sécurité est la liberté"
# Facebook
Posté par barmic . Évalué à 2.
C'est la classe de voir ton projet utilisé par Facebook ! Toutes mes félicitations.
Sur ce je vais aller bouquiner les nouveautés :)
Suivre le flux des commentaires
Note : les commentaires appartiennent à celles et ceux qui les ont postés. Nous n’en sommes pas responsables.