Just-in-time (JIT) Compiler untuk Python

Python sebagai bahasa pemrograman tingkat tinggi cenderung lebih mudah digunakan dalam proses penelitian.

Akan tetapi, dibandingkan dengan bahasa pemrograman terkompilasi seperti C/C++ dan Fortran, Python memiliki kelemahan dalam hal kecepatan eksekusi program.

Pada sesi kali ini, kita akan membahas beberapa cara untuk meningkatkan kecepatan eksekusi program Python dengan menggunakan Just-in-time (JIT) compiler.

JIT Compiler

JIT compiler adalah program yang akan melakukan proses kompilasi pada saat program dijalankan.

Bagi peserta yang belum familier dengan penggunaan bahasa terkompilasi dapat melihat materi persiapan.

Dalam workshop ini, kita akan menggunakan library Numba sebagai JIT compiler. Selain Numba, ada beberapa library lain yang dapat digunakan untuk melakukan JIT, misalnya PyPy.

Numba

Numba adalah library JIT compiler yang dikembangkan oleh Anaconda.

Dibanding JIT compiler lain seperti Cython, Numba lebih mudah digunakan karena tidak memerlukan type annotation secara eksplisit. Numba melakukan vektorisasi dan optimasi kode secara otomatis, setara dengan -O3 pada GCC. Selain untuk kompilasi JIT, Numba juga dapat digunakan untuk paralelisasi kode Python yang akan kita pelajari lebih lanjut pada sesi selanjutnya.

Penggunaan Numba untuk kompilasi JIT dilakukan dengan menambahkan dekorator fungsi @jit(nopython=True) atau @njit sebelum definisi fungsi.

Contoh penggunaan Numba untuk menghitung nilai integral sederhana dapat dilihat pada kode berikut.

import numpy as np
from numba import jit

@jit(nopython=True)
def integral(f, a, b, N):
    x = np.linspace(a, b, N)
    dx = x[1] - x[0]
    return np.sum(f(x)) * dx

Parameter Dekorator Numba

nopython=True

Opsi nopython=True digunakan untuk memastikan bahwa Numba akan mengubah kode Python menjadi machine code.

Jika opsi ini tidak digunakan, Numba akan mengubah kode Python dalam object mode. Kode dalam object mode akan menggunakan Python C API yang seringkali tidak menghasilkan peningkatan kecepatan yang signifikan.

Untuk menggunakan opsi ini, kode Python harus ditulis dalam bentuk sederhana tanpa penggunaan objek class Python yang lazim digunakan dalam Object Oriented Programming (OOP).

Versi terbaru Numba akan menambahkan dukungan untuk @jitclass.

Untuk proses kompilasi, Numba dapat menggunakan bentuk dasar seperti int atau float dan juga array NumPy. Numba juga dirancang untuk dapat menggunakan fungsi-fungsi dari library NumPy secara langsung. Akan tetapi, Numba tidak mendukung penggunaan library eksternal lainnya seperti scipy.

Untuk menjalankan fungsi terkompilasi, semua input dari fungsi juga harus dapat dipahami oleh Numba. Misalnya dalam contoh di atas, fungsi integral yang telah dikompilasi oleh Numba hanya dapat menerima fungsi f yang dikompilasi dengan Numba.

@njit adalah alias dari @jit(nopython=True).

cache=True

Pada waktu fungsi pertama kali dipanggil, Numba akan melakukan kompilasi instan dan menyimpan hasilnya ke dalam cache di memori.

Hal ini menyebabkan penambahan runtime untuk kali pertama penggunaan fungsi.

Opsi cache=True pada dekorator Numba akan menyimpan hasil kompilasi fungsi ke dalam file yang dapat digunakan kembali pada saat program dijalankan di waktu yang berbeda.

Penggunaan JIT di Fisika

JIT dalam penelitian Fisika biasanya digunakan dalam proses post-processing data berskala besar yang membutuhkan waktu eksekusi yang lama.

Selain itu JIT juga dapat digunakan untuk melakukan simulasi numerik skala kecil sampai menengah. Bergantung pada skala simulasi yang diinginkan, penggunaan kode Python dengan JIT dapat menghemat waktu untuk menulis kode dibandingkan dengan penggunaan C++ atau Fortran.

Kita akan membahas secara lebih lanjut penggunaan JIT untuk simulasi sederhana Fisika pada Latihan 4.