Cythonized 功能意外缓慢

Question

我想加快一个我经常使用的功能，我想使用 cython。但是，在尝试了我在文档中找到的所有可能的 cython 优化之后，cython 代码比 python+numpy 函数慢了大约 6 倍。令人失望！

这是我的测试代码：（forward1是python函数，forward2是cython函数）

#geometry.py
def forward1(points, rotation, translation):
    '''points are in columns'''
    return np.dot(rotation, points - translation[:, np.newaxis])

#geometry.pyx
import numpy as np
cimport numpy as np
cimport cython

@cython.boundscheck(False)
@cython.wraparound(False)
@cython.nonecheck(False)
cdef np.float64_t[:,:] forward2(np.float64_t[:,:] points, np.float64_t[:,:] rotation, np.float64_t[:] translation):
    '''points are in columns'''
    cdef unsigned int I, J
    I = points.shape[0]
    J = points.shape[1]
    cdef np.float64_t[:,:] tmp = np.empty((I, J), dtype=np.float64)
    cdef unsigned int i
    for i in range(J):
        tmp[0, i] = points[0, i] - translation[0]        
        tmp[1, i] = points[1, i] - translation[1]        
    cdef np.float64_t[:,:] result = np.dot(rotation, tmp)
    return result

def test_forward2(points, rotation, translation):
    import timeit
    cdef np.float64_t[:,:] points2 = points
    cdef np.float64_t[:,:] rotation2 = rotation
    cdef np.float64_t[:] translation2 = translation
    t = timeit.Timer(lambda: forward2(points2, rotation2, translation2))
    print min(t.repeat(3, 10))

然后我计时：

t = timeit.Timer(lambda: forward1(points, rotation, translation))
print min(t.repeat(3, 10))
0.000368164520751

test_forward2(points, rotation, translation)
0.0023365181969

我可以对 cython 代码做些什么以使其更快？

如果无法在 cython 中加速 forward1，我可以希望使用 weave 加速吗？

编辑：

为了记录，我试图加速该功能的另一件事是按 fortran 顺序传递点，因为我的点存储在列中并且其中有很多。我还将本地 tmp 定义为 fortran 顺序。我认为函数的减法部分应该更快，但 numpy.dot 似乎需要 C 顺序输出（无论如何要解决这个问题？），所以总的来说也没有加速。我还尝试转置点，以便 C 顺序中的减法部分更快，但似乎点积仍然是最昂贵的部分。

另外，我注意到 numpy.dot 不能使用 memoryviews 作为 out 参数，即使它是 C 顺序，这是一个错误吗？

Answer 1

看看你的代码，它看起来像是 numpy 已经非常优化的东西（数组和点积的减法。）。

Cython 非常适合加速 numpy 通常表现不佳的情况（例如，迭代是用 python 编写的迭代算法），但在这种情况下，内部循环已经由 BLAS 库执行。

如果您想加快速度，我首先要看的是 BLAS/LAPACK/ATLAS/etc 库 numpy 所链接的对象。在这种情况下，使用“调整过的”线性代数库（例如 ATLAS 或英特尔的 MKL）会产生很大的差异（在某些情况下超过 10 倍）。

要了解您当前使用的内容，请查看numpy.show_config() 的输出