【问题标题】：When to use c or cpp to accelerate a python or matlab implementation?何时使用 c 或 cpp 来加速 python 或 matlab 实现？
【发布时间】：2022-01-16 11:39:24
【问题描述】：

我想创建一个房间脉冲响应的特例。我正在关注this implemetation 的房间脉冲响应发生器。我也在关注this tutorial 将 c++\c 与 python 集成。

根据教程：

您希望通过将关键部分转换为 C 来加速 Python 代码的特定部分。C 不仅具有更快的执行速度，而且还允许您摆脱 GIL 的限制，前提是您'小心。

但是，在查看 MATLAB 示例时，我看到 cpp 代码段所做的只是常规循环和数学计算。在这个例子或任何其他例子中，c\cpp 会以何种方式比 python\MATLAB 更快？任何通用 c\cpp 代码会运行得更快吗？如果是这样，为什么？如果没有，在选择 c\cpp 段实现时，我需要寻找哪些指标？ c\cpp 中哪些操作更快？

【问题讨论】：

这太宽泛了，无法完全回答。在寻求优化 python 或 matlab 时，是否解释或编译任何内容是您最不关心的问题。一个简单的经验法则是，如果您看到大量循环支配您的运行时间，您可能需要调用 C++。

标签： python c++ c matlab cross-language

【解决方案1】：

为什么要使用 C++ 来加速 Python

C++ 代码编译成机器码。与解释器语言相比，这使其速度更快（但是，如果您不知道自己在做什么，并非所有用 C++ 编写的代码都比 Python 代码快）。在 C++ 中，您可以直接访问数据指针并在它们上使用 SIMD 指令以使其速度提高数倍。您还可以对循环和代码进行多线程处理，以使它们运行得更快（显式多线程或OpenMP 等工具）。你不能用高级语言做这些事情（至少是正确的）。

何时使用 C++ 加速 Python

并非代码的每一部分都值得优化。您应该只优化计算量大并且是程序的bottleneck 的部分。这些部分可以用 C 或 C++ 编写，并通过使用绑定（例如使用 pybind11）暴露给 python。像 PyTorch 和 TensorFlow 这样的大型机器学习库就是这样做的。

专用硬件

有时拥有优化良好的 C++ CPU 代码是不够的。然后您可以评估您的问题，如果合适，您可以使用专用硬件。这些硬件可以从低级（如 FPGA）到高级硬件，如我们系统上通常拥有的专用显卡（如为 NVIDIA GPU 编程的CUDA）。

低级和高级语言的常规代码差异

即使您不使用多线程或 SIMD 操作，使用可编译的语言也有很大的优势。例如，与循环 Python 数组或在 MATLAB 中使用 for 相比，循环 C 数组或 C++ 中的 std::vector 可以快 100 倍以上（最近 JIT compiling 被用于加速高级语言，但仍然，存在差异）。这有很多原因，其中一些是在编译时识别并具有连续数组的基本数据类型。这就是为什么人们建议在简单的 Python 循环上使用 Numpy 向量化操作（对于 MATLAB 也是如此）。

【讨论】：

在给定的 RIR 示例中，没有使用多线程方法。此外，我无法识别任何 simd 操作（我错过了任何操作吗？）。这是否意味着在这种情况下代码不会更快\更快？还是指针的使用足以降低计算复杂度？
@havakok 我也更新了我的答案来回答你的评论。
知道了。非常感谢。
被解释与 python 有多慢没有多大关系。
是的，这里有很多因素。但我认为 python 本身不应该很快。我认为它应该是 C++ 的包装器，让事情变得简单。