serge_sans_paille a écrit 269 commentaires

Pour le moment, tu prends un module python, disons foo.py, tu l'annotes légèrement

#pythran export ma_fonction(int list, float set, int:str dict)

puis

pythran -O3 -DNDEBUG -g foo.py -o foo.so

et ensuite tu peux utiliser le module foocomme un module python normal, sauf que c'est le code natif qui s'execute

from foo import ma_fonction
# là c'est le code natif qui s'execute si foo.so est dans le path
ma_fonction(range(10000), { 1./i for i in xrange(1,1000) }, { i, str(i) for i in range(10) })

l'avantage c'est que même si pythran disparait de ton environnement, tu touches rien à ton code et il continue de fonctionner. Le seul changement, c'est d'isoler les parties calcul intensif dans un module, mais on pourrait presque dire que c'est pas une mauvaise pratique d'ingénierie :-)

Remarque que rien n'empêche d'écrire un décorateur @pythran qui compile à la volée, mais le temps fuit sous mon clavier, et j'ai pas eu de demandes dans ce sens pour le moment.

Si tu as un code à passer, on peut en discuter sur Freenode #pythran ou pythran@freelists.org :-)

Oui, oui, je fais déjà tout ça. Mon exemple n'était pas bon

def foo(bar): bar.append(1)
a= list()
bar(a)
print(a)

traduit comme tu le proposes ça donnerait

pythran::vector<MaisQuelType> a;
bar()(a);
pythran::print(a);

L'info MaisQuelType == int vient de append caché dans foo. Et malheureusement je n'ai pas trouvé de moyen de faire remonter cette info au moment de l'instanciation, donc je suis obliger de mettre ça dans l'inférence de type interprocédurale… je ne sais pas si c'est plus clair comme ça ?

C'est ce que fait https://github.com/numba/numba. (du moins pour la deuxième alternative). Tu ne trouves pas ça ultra moche ? Moi si. Bon ça garde la propriété « compatible python » mais je trouve ça très intrusif.

Pour le moment on donne quelques directives pour les fonctions exportées

#pythran export fibo(int)

mais elles sont facultatives, auquel cas on génère un bon gros .h que l'utilisateur peut instancier comme il le sent. Donc on ne peut pas se servire de ses infos pour l'inférence de type.

mmmh, c'est un peu compliqué à expliquer, mais je me lance. Déjà tout est fonction, els appels de méthodes sont convertis en appels de fonctions. Prenons le cas de la fonction list.append. Les informations associées sont

1. elle revoie None
2. elle nous informe que le type de son premier paramètre self doit être compatible avec liste de . Je dis compatible parceque si on ajoute des int puis des float, au final on aura des float.

ces informations sont spécifiées en Pythran par une forme de signature de l'intrinsèque.
ensuite considérons, hors de son contexte (par exemple si la fonction n'est jamais appelée dans le module, on ne peut donc pas savoir le type des paramètres)

class ique(object):
 def append(self, other):pass
def foo(l,a):
 l.append(a)

que faire pour append ? Je suis incapable de décider si c'est le append de list ou celui de ique. Quelles informations de type utiliser?

Vu autrement, le problème est que je veux générer des fonctions c++ polymorphiques, et donc on ne manipule ques des types symboliques ce qui fait que quand j'ai un appel de méthode, je ne sais pas (jusque l'instanciation, mais qui arrive bien plus tard) quel est le type exact des objets que je manipule, je connais juste les relations entre les types.

En théorie oui. D'ailleurs shedskin le fait.
Deux points me gênent pour le moment :

1. Gestion Mémoire :
   En utilisant l'hypothèse types non récursifs on peut se permettre une gestion simplifiée de la mémoire (par compteurs de référence). Bon, on peut toujours refuser les classes qui induisent des dépendances de type circulaire…

2. Inférence de type :
   Le moteur d'inférence de type de Pythran a quelques limitations. Quand je rencontre un appel de méthode, je ne sais pas à quelle classe elle est rattachée. Quand l'ensemble des méthodes (i.e. celles des conteneurs) est connu, je m'en sors très bien, mais sinon, je pense que ça va être coton.

Oui ! Plus précisément

Pour la lib standard

• list -> std::vector
• set -> std::unordered_set
• dict -> std::unordered_map
• tuple -> std::tuple (assez costaud celui là)
• print(truc, muche) -> std::cout << truc << ' ' << muche

Pour l'inférence de type

decltype et declval font des merveilles

Pour la gestion mémoire

vive les std::shared_ptr

Petit exemple

def foo(a):
 b = bar
 return b() + a
foo(10)

qui devient (en simplifiant)

struct foo {
 template<class T>
 decltype(std::declval<b>()() + std::declval<T>()) operator()(T&& a) {
 auto b = bar();
 return b() + a;
 }
};
foo()(10);

La crème de la crème

mais la crème, c'est les variadic templates qui permettent d'implémenter de façon élégante les fonctions intrinsèques de la lib standard du genre reduce et cie…

C'est ça.

apt-cache show python-numpy

Nous apprend qu'il y a des dépendances sur libgfortran3, libblas3gf | libblas.so.3gf | libatlas3gf-base ce qui annonce un peu la couleur :-)

Bah non… numpy c'est un module qui expose des structures de données optimisées (ndarray) pour le calcul scientifique et avec un coût de passage du monde python au monde natif quasi-nul et les fonctions pour travailler dessus.

Je suppose que le but c'est de pouvoir coder plus vite grâce à la simplicité de Python et générer du code C++ qui une fois compilé tournera vite ?

Oui :-) Dans la même veine que Cython, en moins intrusif

Ça veut dire qu'il n'y a plus de notion d'objet dans ton langage Python-like

C'est pas Python-like, c'est Python-embded mais c'est un détail. Tu as accès aux conteneurs de base (list/set/dict/tuple), à terme file, mais pas de classes utilisateurs. Tu peux avoir des classes au dessus (dans la partie non Pythran) et appeler le module devenu natif pour les parties gourmandes en calcul. Le but n'est pas de traduire tout Python, juste les parties gourmandes, qui n'ont pas forcément besoin de classe, comme l'illustre le lien sur le gars qui répond aux devinettes du projet euler sans utiliser de classes.

Par exemple on a récemment convertit un petit code de simulation (~300SLOC), pas de classes, et un speedup de x50 à la clef.

Si on est prêt à utiliser les extensions GNU, asprintf fait des merveilles. Sinon, il y a la gnulib qui apporte la couche de portabilité manquante et qui s'intègre merveilleusement bien à un build autotool.

bref, c'est un jeu de brute, aussi intéressant que de faire des pompes.

Zut, j'aime bien faire des pompes moi…

Merci de me faire découvrir la PEP20 !

Pour pythran c'est… bien :-)

C'est un convertisseur d'un sous ensemble de python vers du C++. En gros en enlevant les classes utilisateurs et tous les aspects trop dynamiques, on arrive à convertir des codes de calcul en des codes relativement efficace (cf. benchs dans le journal). Le README du projet est, je l'espère, plus explicite ?

Salut,
super rretour! Pas plus tard qu'hier je me décidais à écrire la version OpenMP d'un matrix mutliply en pythran, que je vous livre ci-dessous:

#pythran export matrix_multiply(float list list, float list list)
def zero(n,m): return [[0 for row in xrange(n)] for col in xrange(m)]
def matrix_multiply(m0, m1):
 new_matrix = zero(len(m0),len(m1[0]))
 "omp parallel for private(i,j,k)"
 for i in xrange(len(m0)):
 for j in xrange(len(m1[0])):
 for k in xrange(len(m1)):
 new_matrix[i][j] += m0[i][k]*m1[k][j]
 return new_matrix

Pythran ne fait pas de privatisation de variable, elles sont toutes déclarées à l'entrée de la fonction (comme en FORTRAN :p), donc mettre le mode defauls(none) me semble tout particulièrement indiqué !

1000 fois merci :-)

[print(x) for x in ["merci"]*1000]

Ça veut dire que toute les variables référencée dans la boucle doivent avoir une visibilité spécifiée dans la directive, sinon erreur de compilation.

int i1,i2,i3,...;
...
#pragma omp parallel for
for (i1 = 0; i1 < N1; ++i1)
 for (i2 = 0; i2 < N2; ++i2)
 for (i3 = 0; i3 < N3; ++i3)
 code(i1,i2,i3);

Le problème ici est que le mode par défaut est shared, sauf pour l'indice de la boucle sur laquelle porte la directive et donc les variables i2 et i3 seront mises en mémoire partagées et là c'est le drame.

Quand on fait du C++/C99 un peu propre, on préfère la forme

#pragma omp parallel for
for (int i1 = 0; i1 < N1; ++i1)
 for (int i2 = 0; i2 < N2; ++i2)
 for (int i3 = 0; i3 < N3; ++i3)
 code(i1,i2,i3);

qui ne pose pas de soucis car les variables locales sont considérées comme private

La lecture de http://en.wikipedia.org/wiki/OpenMP#Data_sharing_attribute_clauses est un bon point de départ pour comprendre ça.

C'est un détournement assez amusant et intéressant du with ça. J'aime !

C'est peut être ce que tu ne veux pas dans la mesure où ça pollue l'interprétation du code ?

Plus ou moins. ça force à ajouter un import pythran.Pragma dans le module, et ce n'est pas trop dans l'esprit…

Sinon on pourrait raffiner ta proposition et avoir un manager pour parallel ou pour task et ainsi de suite. Mais ça commence à être verbeux.

J'y avais pensé, mais sans le @, donc un truc du genre

def saxpy(x,y,a):
 #omp parallel for private(i,b)
 for i in range(len(x)):
 b = a* x[i] # laid mais utile pour l'exemple
 y[i]+= b

Le problème c'est que les commentaires sont jetés par le parseur python (du moins celui fourni dans le module standard: ast), ce qui n'est pas le cas des chaîne de caractère.

Dans la famille hack sympathique il suffirait d'un bon vieux

sed -r -e 's/^(\s*)#omp( .*)$/1円"omp2円"/g' 

pour s'en sortir, ou l'équivalent en utilisant re.sub. Mais c'est pas très robuste.

pour les fins de lignes, j'ai l'habitude de formater mon post dans un vim externe, qui m'aligne tout (enfin pas tout justement…) à +/- 80 caractère par colonne. Et ce billet montre que je me suis lourdé royal :-)

Pour les débuts/fins de bloc, c'est effectivement la convention adoptée par OpenMP pour le Fortran, c'est très roleplay de faire comme ça en effet.

En tout cas c'est dans le tutoriel officiel.

Comme quoi l'apprentissage par induction dont je suis friand a ses limites :-).

Oui, j'ai vu cet idiome de nombreuses fois. Ça ressemble furieusement à ça http://en.wikipedia.org/wiki/Option_type.

On dirait que les softeux ont toujours autant de mal avec le hardware.

Ça c'est sûr :-) trois années passées à m'y frotter (le moins possible) n'ont malheureusement pas apportées de grands changements :-(

le nombre de transistors d'une puce double tous les 18 mois/ 2 ans pour le même prix.

Il me semblait que c'était à surface constante, d'où problème de « mur de la chaleur » etc. Pareillement les moulti-cœurs ne changent rien au problème d'intégration.

C'est surtout une histoire de cout de développement qui explose.

Oui. La difficulté de programmation de l'archi n'y est pas étrangère, puisqu'il faut embaucher des développeurs spécialisés au lieu de développeurs généralistes.

Pour le moment, j'ai des compteurs de références sur chacun des conteneurs (liste / ensemble uniquement donc). Comme il n'y a pas de classes utilisateur, je ne pense pas qu'il soit possible de créer des références croisées.

Ça suffit, non ?

Dans ce cas, on peut quand même s'en sortir en déléguant l'évaluation de la condition à l'exécution, ce qui a quelques défauts (dont augmentation de la taille du code) mais pas mal d'avantages aussi.

Un cas classique pour gérer l'aliasing:

#include <stdint.h>
void foo(size_t n, float a[n], float b[n]) {
 // aucune garantie que a et b ne se chevauchent pas partiellement ou totalement
 for(size_t i=1;i< n ; i++) { // cette boucle n'est parallèle que si a et b ne se chevauchent pas
 a[i] = 2*b[i-1];
 }

Dans ce cas un petit test dynamique permet de suppléer aux carences de l'analyse statique

void foo(size_t n, float a[n], float b[n]) {
 if( &a[n]<=&b[0] || &b[n] <= &a[0] ) foo_parallel(n,a,b);
 else foo_sequential(n,a,b);
}

icc fait ça à fond !

Il y a déjà pymothoa qui vise à faire ça.

Deux arguments pour la génération de C++:

1. Cela simplifie grandement la génération de code, le debug etc. D'après les test faits jusqu'à présent, c'est pas dégueux niveaui perf non plus :-)

2. pythran vise à être compatible OpenMP (à faire à faire, ça devrait être prêt pour les PyconFR). Et là encore c'est plus facile à faire au niveau source qu'au niveau bytecode

Sinon lire l'excellente thèse de Serge Guelton sur les atouts de la compilation source-à-source ;-)

D'après la doc pypy tu as raison.