为什么在迭代 NumPy 数组时 Cython 比 Numba 慢得多？

Question

在遍历 NumPy 数组时，Numba 似乎比 Cython 快得多。
我可能缺少哪些 Cython 优化？

这是一个简单的例子：

纯 Python 代码：

import numpy as np

def f(arr):
  res=np.zeros(len(arr))
   
  for i in range(len(arr)):
     res[i]=(arr[i])**2
    
  return res

arr=np.random.rand(10000)
%timeit f(arr)

输出：每个循环 4.81 ms ± 72.2 µs（平均值 ± 标准偏差，7 次运行，每次 100 个循环）

---

Cython 代码（在 Jupyter 中）：

%load_ext cython
%%cython

import numpy as np
cimport numpy as np
cimport cython
from libc.math cimport pow

#@cython.boundscheck(False)
#@cython.wraparound(False)

cpdef f(double[:] arr):
   cdef np.ndarray[dtype=np.double_t, ndim=1] res
   res=np.zeros(len(arr),dtype=np.double)
   cdef double[:] res_view=res
   cdef int i

   for i in range(len(arr)):
      res_view[i]=pow(arr[i],2)
    
   return res

arr=np.random.rand(10000)
%timeit f(arr)

输出：每个循环 445 µs ± 5.49 µs（平均值 ± 标准偏差，7 次运行，每次 1000 个循环）

---

Numba 代码：

import numpy as np
import numba as nb

@nb.jit(nb.float64[:](nb.float64[:]))
def   f(arr):
   res=np.zeros(len(arr))
   
   for i in range(len(arr)):
       res[i]=(arr[i])**2
    
   return res

arr=np.random.rand(10000)
%timeit f(arr)

输出：每个循环 9.59 µs ± 98.8 ns（平均值 ± 标准偏差，7 次运行，每次 100000 次循环）

---

在此示例中，Numba 的速度几乎是 Cython 的 50 倍。
作为一个 Cython 初学者，我想我错过了一些东西。

当然，在这种简单的情况下，使用 NumPy square 向量化函数会更合适：

%timeit np.square(arr)

输出：每个循环 5.75 µs ± 78.9 ns（平均值 ± 标准偏差，7 次运行，每次 100000 次循环）

Answer 1

正如@Antonio 所指出的，使用pow 进行简单的乘法运算不是很明智，而且会导致相当大的开销：

因此，将pow(arr[i], 2) 替换为arr[i]*arr[i] 会导致相当大的加速：

cython-pow-version        356 µs
numba-version              11 µs
cython-mult-version        14 µs

剩余的差异可能是由于编译器和优化级别之间的差异（在我的例子中是 llvm 与 MSVC）。您可能希望使用 clang 来匹配 numba 性能（例如，请参见 SO-answer）

为了使编译器更容易优化，你应该将输入声明为连续数组，即double[::1] arr（参见this question为什么它对向量化很重要），使用@cython.boundscheck(False)（使用选项-a看到没有更少的黄色）并添加编译器标志（即-O3、-march=native 或类似的，具体取决于您的编译器以启用矢量化，注意默认使用的构建标志，这可能会抑制一些优化，例如-fwrapv)。最后，您可能想用 C 编写工作马循环，使用正确的标志/编译器组合进行编译，然后使用 Cython 进行包装。

顺便说一句，通过将函数的参数键入为nb.float64[:](nb.float64[:])，您会降低 numba 的性能 - 不再允许假设输入数组是连续的，从而排除了矢量化。让 numba 检测类型（或者定义为连续的，即nb.float64[::1](nb.float64[::1]），你会得到更好的性能：

@nb.jit(nopython=True)
def nb_vec_f(arr):
   res=np.zeros(len(arr))

   for i in range(len(arr)):
       res[i]=(arr[i])**2

   return res

导致以下改进：

%timeit f(arr)  # numba version
# 11.4 µs ± 137 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit nb_vec_f(arr)
# 7.03 µs ± 48.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

---

正如@max9111 所指出的，我们不必用零初始化结果数组，但可以使用np.empty(...) 而不是np.zeros(...) - 这个版本甚至超过了numpy 的np.square()

不同方法在我的机器上的表现是：

numba+vectorization+empty     3µs
np.square                     4µs
numba+vectorization           7µs
numba missed vectorization   11µs
cython+mult                  14µs
cython+pow                  356µs