はじめに
mojoについては過去の記事でご紹介しました
今回の記事ではMojoはPython 3.10.9の68000倍早いと公式のブログで紹介されていますが、
内容を確認します。
3行まとめ
・AIに特化した言語mojoに触れてみる
・Macbook proでマンデルブロ集合の処理時間を見てみる
・mojoでのpandasのloop処理がどれくらい早くなるのか見てみる
概要
紹介されている記事では、マンデルブロ集合のアルゴリズムを動作させた時の速度で、
環境は、GCP h3-standard-88とのことです。
すでに実行結果が記事内で紹介されているため、今回は実行しません。
今回の実行環境はこちらのとおりです
Version
mojo 0.70.0
pandas 2.2.1
使用機
Macbook Pro M2 2022
CPU M2
Memory 24GB
Pythonでの実行時
mojoの実行コードに合わせて、960 x 960 で出力しました。
Python実行時は、1.79sでした。
mojoでの実行時
mojoの実行コードは公式のGitにあります。
シングルスレッド時は65倍
8コア時は294倍となりました。
なぜ68000倍？
h3-standard-88は第4世代のIntel Xeon スケーラブル プロセッサが88個
88の並列処理を行っているのでこの速度が出ているということでした。
続いて一般的なループ処理です。
これは期待した結果とはなりませんでした。
pandasのループ処理
データ準備
python
import pandas as pd
df = pd.DataFrame({"data":list(range(500000))})
mojo
def main():
let pd = Python.import_module("pandas")
let np = Python.import_module("numpy")
let data = np.array(np.arange(500000))
let df = pd.DataFrame(data, np.arange(500000), ['data'])
numpy arangeで指定する
iterrows
まずは、pandasのループ処理、df.iterrows()でループすると遅い
for index,row in df.iterrows():
row.data
def main():
for index,row in df.iterrows():
print(row.data)
expected 'in' after target identifier. Note that target lists are not yet supported.mojo
mojoでのfor文のルール、ターゲットリストは未対応(0.7.0)
shape
Seriesの生成を避けるパターン
python
for index in range(df.shape[0]):
df.data.iloc[index]
mojo
for index in range(df.shape[0]):
df.data.iloc[index]
3.5秒。遅くなってしまった
numpyで実行するパターン
python
for index in range(df.shape[0]):
df.data.values[index]
mojo
for index in range(df.shape[0]):
df.data.values[index]
2.6秒
valuesを先に取得するパターン
tmp = df.data.values
for index in range(df.shape[0]):
tmp[index]
let tmp = df.data.values
for index in range(df.shape[0]):
tmp[index]
0.842秒
2024/02/28現在、最新バージョン0.7.0
今回の確認では、期待した結果となりませんでしたが、
正式版のリリースを待って、再確認をしたいと思います。
Discussion