Taichi Lang：面向高性能数值计算的 Python 嵌入式并行编程语言实战指南-二趣网

Taichi Lang：面向高性能数值计算的 Python 嵌入式并行编程语言实战指南

【免费下载链接】taichiProductive, portable, and performant GPU programming in Python.项目地址: https://gitcode.com/GitHub_Trending/ta/taichi

Taichi Lang 是一个开源、命令式、并行的编程语言，专为高性能数值计算设计，它嵌入在 Python 中，借助 LLVM 等 JIT（即时编译）框架，将计算密集型的 Python 代码编译为原生 GPU 或 CPU 指令。本文以项目 README.md 为主线，结合仓库源码，系统讲解 Taichi Lang 的定位、核心特性、安装方式、首个程序的完整写法、命令行工具、源码构建方法以及示例生态，读完即可上手编写并运行自己的并行计算程序。

Taichi Lang 是什么

根据 README.md 的定义，Taichi Lang 是"an open-source, imperative, parallel programming language for high-performance numerical computation"，即：

开源：采用 Apache License 2.0 分发（见 LICENSE）；
命令式（imperative）：以语句序列描述计算过程，与 Python 的编程心智模型一致；
并行：@ti.kernel中的顶层for循环默认被并行化，自动映射到 GPU/CPU 的多核执行；
嵌入式（embedded in Python）：不是独立的解释器，而是作为 Python 包存在，直接复用 Python 的语法与生态（NumPy、PyTorch 等）；
JIT 编译：运行时将 Python 代码即时编译为原生指令，而不是解释执行。

从仓库结构可以印证这一架构：Python 前端位于 python/taichi，C++ 编译器核心位于 taichi（包含analysis、transforms、codegen、runtime等子系统），两者通过taichi/_lib/core原生扩展桥接（见 python/taichi/init.py）。

Taichi Lang 的应用范围非常广泛，涵盖：实时物理仿真、数值计算、增强现实（AR）、人工智能、视觉与机器人、影视与游戏视觉特效、通用计算等领域。仓库 python/taichi/examples 中的示例即是这些应用方向的直接体现。

为什么选择 Taichi Lang

README 归纳了四大核心优势，每一点都能在仓库源码中找到对应实现：

1. 围绕 Python 构建，语言零门槛

Taichi Lang 与 Python 语法几乎一致，同时深度融入 Python 生态，包括 NumPy 与 PyTorch。这意味着算法表达几乎没有额外的心智负担，if/else、while、for、函数调用等写法都与 Python 相同。

2. 灵活性：SNode 数据结构

Taichi Lang 提供一组通用的数据容器，统称为SNode（读作 /ˈsnoʊd/，Sparse Node 的缩写），用于组合层次化、多维的 field（字段）。SNode 可以覆盖数值模拟中的大量使用模式，例如空间稀疏计算（spatially sparse computing）。

仓库中的 python/taichi/examples/features/sparse/taichi_sparse.py 是一个典型示例，它通过 SNode 层次结构构建了三级稀疏场：

block1 = ti.root.pointer(ti.ij, n // 64) block2 = block1.pointer(ti.ij, 4) block3 = block2.pointer(ti.ij, 4) block3.dense(ti.ij, 4).place(x)

ti.root是 SNode 树的根，pointer、dense等节点逐级嵌套，最终通过place(x)将数据落地。代码中还使用了ti.is_active、ti.rescale_index、block1.deactivate_all()等稀疏场专用 API——这正是 SNode 支撑"按需激活、稀疏存储"计算的核心能力。

3. 性能：`@ti.kernel`与 JIT 编译

使用@ti.kernel装饰器标注的函数，会被 JIT 编译器自动编译为高效的 GPU 或 CPU 机器码并并行执行。开发者用 Python 写算法，编译器负责生成高性能原生代码，无需手写 CUDA/汇编。

4. 可移植性：一次编写，到处运行

代码只需编写一次，即可在不同后端运行。目前 Taichi Lang 支持绝大多数主流 GPU API。仓库中的后端清单定义在 taichi/inc/archs.inc.h：

类别	后端	说明
CPU	`x64`	AMD64 / x86_64，完全可用
CPU	`arm64`	Aarch64，WIP
GPU	`cuda`	NVIDIA CUDA
GPU	`metal`	Apple Metal
GPU	`opengl`	OpenGL Compute Shaders
GPU	`dx11`/`dx12`	Microsoft DirectX，WIP
GPU	`amdgpu`	AMD GPU
GPU	`vulkan`	Vulkan
GPU	`gles`	OpenGL ES
其他	`js`/`opencl`	预留，暂不可用（N/A）

5. 更多特性

GGUI：跨平台的、基于 Vulkan 的 3D 可视化器，仓库中 ggui_examples 提供了mpm128_ggui.py、fem128_ggui.py、stable_fluid_ggui.py等 3D 交互示例；
可微编程（differentiable programming）：支持自动微分，对应 taichi/transforms/auto_diff.cpp 及 python/taichi/ad 模块；
量化计算（quantized computation，实验性）：低比特精度模拟，对应 QuanTaichi 相关工作。

安装 Taichi Lang

环境要求（Prerequisites）

根据 README 的安装前提说明：

操作系统：Windows、Linux、macOS；
Python：README 声明为 3.6 ~ 3.10（仅 64 位）；而当前仓库 setup.py 的classifiers中列出 3.7 ~ 3.11，且 version.txt 当前版本为v1.8.0，实际支持的版本范围以构建配置为准；
计算后端：x64/ARM CPU、CUDA、Vulkan、OpenGL（4.3+）、Apple Metal，以及实验性的 WebAssembly。

使用 pip 安装稳定版

pip install --upgrade taichi

安装完成后即可使用两条核心命令验证环境：

pip install taichi # 安装 Taichi Lang ti gallery # 启动示例展示画廊

安装 nightly 版本（可选，有风险）

项目还提供 nightly 包。注意：nightly 包未经完整测试，可能崩溃，项目方不保证其有效性，尝鲜未测试新功能风险自负。nightly 包托管在自建 PyPI 上（自建源可以更频繁、更长期地发布）：

pip install -i https://pypi.taichi.graphics/simple/ taichi-nightly

验证安装

安装成功后，可以运行 README 中的分形示例；更直接的方式是执行ti gallery，它会打开一个交互式画廊窗口，用鼠标点选并运行仓库内置的示例程序（详见下文"命令行工具"一节）。

第一个程序：2D 分形（Julia Set）

README 提供了完整的入门示例——一个用 Taichi 编写的 2D Julia Set 分形动画。完整代码如下（与仓库 python/taichi/examples/simulation/fractal.py 对应）：

# python/taichi/examples/simulation/fractal.py import taichi as ti ti.init(arch=ti.gpu) n = 320 pixels = ti.field(dtype=float, shape=(n * 2, n)) @ti.func def complex_sqr(z): return ti.Vector([z[0]**2 - z[1]**2, z[1] * z[0] * 2]) @ti.kernel def paint(t: float): for i, j in pixels: # Parallelized over all pixels c = ti.Vector([-0.8, ti.cos(t) * 0.2]) z = ti.Vector([i / n - 1, j / n - 0.5]) * 2 iterations = 0 while z.norm() < 20 and iterations < 50: z = complex_sqr(z) + c iterations += 1 pixels[i, j] = 1 - iterations * 0.02 gui = ti.GUI("Julia Set", res=(n * 2, n)) for i in range(1000000): paint(i * 0.03) gui.set_image(pixels) gui.show()

这个 23 行左右的程序浓缩了 Taichi 的核心编程模型，逐段拆解如下：

ti.init(arch=ti.gpu)：初始化 Taichi 运行时并指定后端为 GPU。ti.gpu会自动在当前环境可用的 GPU 后端（CUDA/Vulkan/Metal/OpenGL）中选择；也可以显式指定arch=ti.cpu（多核 CPU）或arch=ti.cuda等具体后端。
ti.field(dtype=float, shape=(n * 2, n))：声明一个形状为640×320的标量场作为像素缓冲区。ti.field是 Taichi 最基础的数据容器，底层即由 SNode 组织。
@ti.func与@ti.kernel：@ti.func用于定义可在 kernel 内调用的设备函数（如复数平方complex_sqr）；@ti.kernel标记的paint(t: float)则是可编译、可并行执行的内核，t是内核参数。
for i, j in pixels：这是 Taichi 并行化的关键语法。对场（或ti.ndrange）的顶层for循环会被自动并行化——注释# Parallelized over all pixels说明每个像素独立计算，互不依赖，因此可安全并行。内层的while循环则是每个线程内的串行迭代（此处迭代最多 50 次逼近 Julia 集）。
ti.Vector：Taichi 内置的向量类型，z.norm()计算模长，支持逐分量运算，pixels[i, j]以 Python 风格的多维索引读写场元素。
ti.GUI("Julia Set", res=(n * 2, n))：创建 2D 显示窗口。主循环中反复调用paint(i * 0.03)更新画面（时间参数随帧推进），通过gui.set_image(pixels)将场数据上传到窗口，gui.show()刷新显示。仓库版本在 fractal.py 中进一步用while not gui.get_event(ti.GUI.ESCAPE, ti.GUI.EXIT)监听 ESC 键退出，并封装了main()入口。

安装正常的话，运行后将看到随时间连续变化的 Julia Set 分形动画，而这套"ti.field存数据 +@ti.kernel并行计算 +ti.GUI可视化"的流程，正是 Taichi 绝大多数示例（包括 MPM 物理仿真）的通用骨架。

命令行工具：`ti gallery`与`ti example`

ti gallery等命令由ti命令行入口提供，其实现位于 python/taichi/_main.py，入口在 python/taichi/main.py（调用main()）。

从源码看，gallery命令（python/taichi/_main.py）的工作方式如下：

读取包内预生成的画廊底图assets/**/ti_gallery.png（_main.py中通过glob递归查找，见 python/taichi/_main.py）；
用ti.GUI("Taichi Gallery", ...)打开窗口，按 2 行 × 4 列的网格（ncols = 4）布局 12 个示例磁贴，每个磁贴128×128像素，磁贴间距等参数在源码中以常量定义；
通过gui.get_cursor_pos()与gui.is_pressed(ti.GUI.LMB)检测鼠标悬停与左键点击，命中后打印示例源码并用subprocess启动对应脚本（_exec_python_file）。

gallery内置的 12 个示例（见 python/taichi/_main.py）包括：poisson_disk_sampling（泊松圆盘采样）、mass_spring_3d_ggui（3D 质点弹簧）、sdf_renderer（SDF 渲染）、fractal、mpm128、pbf2d（流体）、mass_spring_game等，基本覆盖了采样、仿真、渲染几大类典型用途。

此外，ti example <名称>命令（python/taichi/_main.py 附近）可以直接运行指定名称的示例脚本，例如ti example mpm128。_main.py中还注册了gif、video、video_speed、video_crop、video_scale、test等命令，可用于示例录屏与测试。

从源码构建 Taichi Lang

如果想尝试实验性特性，或为特定环境构建 Taichi，可以走源码构建路线。README 指向了开发者安装文档；从仓库本身来看：

构建系统基于scikit-build（CMake + setuptools 的结合），见 setup.py 开头的from skbuild import setup；
构建流程会把external/assets拷贝到python/taichi/assets，编译 C++ 扩展并打包taichi_python；
支持通过环境变量定制构建：
- TAICHI_CMAKE_ARGS：向 CMake 传递额外参数（setup.py中用shlex.split解析，见 setup.py）；
- BUILD_NUM_THREADS：控制并行编译线程数；
- DEBUG/RELWITHDEBINFO/MINSIZEREL：切换 C++ 扩展的构建类型；
CMake 相关配置分布在 cmake 目录，例如 TaichiCore.cmake、TaichiCXXFlags.cmake 等；
依赖的第三方库（LLVM、Vulkan 头文件、SPIRV-Tools、glfw、eigen 等）统一放在 external 目录。

仓库中的示例生态

python/taichi/examples 按主题组织了数十个可直接运行的示例：

simulation/：物理仿真，如 mpm128.py（128² 网格的移动粒子半隐式 MPM 雪/水仿真，含ti.svd奇异值分解、塑性硬化、P2G/G2P 等完整流程）、euler.py、stable_fluid.py、pbf2d.py、nbody.py、game_of_life.py等；
rendering/：渲染，如sdf_renderer.py、rasterizer.py、cornell_box.py、taichi_ngp.py；
features/：特性演示，sparse/（稀疏场）、gui/（交互与 IO）、io/（导出网格/PLY/视频）；
ggui_examples/：基于 Vulkan 的 3D 交互可视化示例；
graph/：Taichi 图模式（ti.graph）示例，如mpm88_graph.py；
autodiff/：自动微分示例（simple_derivative.py、regression.py等）；
algorithm/：算法示例（mgpcg.py多重网格预条件共轭梯度、poisson_disk_sampling.py等）。

更多扩展项目与社区示例的汇总索引见 misc/links.md。

文档与学习资源

README 提供的主要文档入口（均为官方文档站资源，此处不做跳转）包括：技术文档（Technical documents）、API 参考（API Reference）与官方博客（Blog）。仓库内也自带部分文档资料：

docs：包含lang（语言教程文章）、design（如 LLVM 稀疏运行时设计 docs/design/llvm_sparse_runtime.md）、rfcs（RFC 提案）等；
示例源码本身就是极好的学习材料，从 minimal.py 这类最小示例开始，逐步阅读simulation/下的完整仿真。

研究引用

如果在研究工作中使用了 Taichi Lang，README 给出了对应的学术论文（BibTeX 条目均收录在仓库 misc 目录）：

(SIGGRAPH Asia 2019) Taichi: High-Performance Computation on Sparse Data Structures—— Taichi 语言与稀疏数据结构编译器的基础论文，BibTeX 见 misc/taichi_bibtex.txt；
(ICLR 2020) DiffTaichi: Differentiable Programming for Physical Simulation—— 可微物理仿真的 DiffTaichi 框架，BibTeX 见 misc/difftaichi_bibtex.txt；
(SIGGRAPH 2021) QuanTaichi: A Compiler for Quantized Simulations—— 量化仿真的 QuanTaichi 编译器，BibTeX 见 misc/quantaichi_bibtex.txt。

许可证与社区

Taichi Lang 以Apache License 2.0分发，完整条款见仓库根目录 LICENSE。项目鼓励开源社区贡献，参与方式与规范见 CONTRIBUTING.md；社区讨论、议题报告与联系方式等信息同样收录在 README 中。对于安全相关问题，可通过 README 中列出的邮箱直接联系维护团队。

小结

从 README.md 出发，结合仓库源码可以看到：Taichi Lang 的核心价值在于"Python 的易用性 + 编译器的性能 + 多后端的可移植性"三者的统一。通过ti.init选择后端、ti.field声明数据、@ti.kernel编写并行内核、ti.GUI或 GGUI 完成可视化，一条完整的高性能计算开发链路清晰可见。对于物理仿真、数值计算、可微编程、图形渲染等场景的开发者而言，安装taichi后运行ti gallery，就是探索这门语言能力边界的最好起点。

【免费下载链接】taichiProductive, portable, and performant GPU programming in Python.项目地址: https://gitcode.com/GitHub_Trending/ta/taichi

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析