考虑以下 Cython 代码:
cimport cython
cimport numpy as np
import numpy as np
@cython.boundscheck(False)
@cython.wraparound(False)
def test_memoryview(double[:] a, double[:] b):
cdef int i
for i in range(a.shape[0]):
a[i] += b[i]
@cython.boundscheck(False)
@cython.wraparound(False)
def test_numpy(np.ndarray[double, ndim=1] a, np.ndarray[double, ndim=1] b):
cdef int i
for i in range(a.shape[0]):
a[i] += b[i]
def test_numpyvec(a, b):
a += b
def gendata(nb=40000000):
a = np.random.random(nb)
b = np.random.random(nb)
return a, b
在解释器中运行它会产生(经过几次运行以预热缓存):
In [14]: %timeit -n 100 test_memoryview(a, b)
100 loops, best of 3: 148 ms per loop
In [15]: %timeit -n 100 test_numpy(a, b)
100 loops, best of 3: 159 ms per loop
In [16]: %timeit -n 100 test_numpyvec(a, b)
100 loops, best of 3: 124 ms per loop
# See answer below :
In [17]: %timeit -n 100 test_raw_pointers(a, b)
100 loops, best of 3: 129 ms per loop
我用不同的数据集大小进行了尝试,并且始终使矢量化 NumPy 函数运行得比编译的 Cython 代码快,同时我希望 Cython 在性能方面与矢量化 NumPy 不相上下。
我是否忘记了我的 Cython 代码中的优化? NumPy 是否使用某些东西(BLAS?)来使这种简单的操作运行得更快?我可以提高这段代码的性能吗?
更新:原始指针版本似乎与 NumPy 相当。因此,显然在使用内存 View 或 NumPy 索引时存在一些开销。
最佳答案
另一种选择是使用原始指针(和全局指令以避免重复 @cython...
):
#cython: wraparound=False
#cython: boundscheck=False
#cython: nonecheck=False
#...
cdef ctest_raw_pointers(int n, double *a, double *b):
cdef int i
for i in range(n):
a[i] += b[i]
def test_raw_pointers(np.ndarray[double, ndim=1] a, np.ndarray[double, ndim=1] b):
ctest_raw_pointers(a.shape[0], &a[0], &b[0])
关于python - 为什么 Cython 比向量化的 NumPy 慢?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24308236/