Рассмотрим следующий код Cython:
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
Запуск его в интерпретаторе дает (после нескольких прогонов, чтобы разогреть кеш):
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
Я попробовал его с разными размерами набора данных и последовательно использовал векторизованную функцию NumPy быстрее, чем скомпилированный код Cython, в то время как я ожидал, что Cython будет на одном уровне с векторизованным NumPy с точки зрения производительности.
Я забыл оптимизацию в моем Cython-коде? Использует ли NumPy что-то (BLAS?), Чтобы сделать такие простые операции быстрее? Могу ли я повысить производительность этого кода?
Обновление:. Необработанная версия указателя находится на одном уровне с NumPy. Таким образом, очевидно, что некоторые издержки при использовании памяти или индексирования NumPy.
Другой вариант - использовать необработанные указатели (и глобальные директивы, чтобы избежать повторения @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])
На моей машине разница не такая большая, но я могу почти устранить ее, изменив функции просмотра numpy и памяти, подобные этой
@cython.boundscheck(False)
@cython.wraparound(False)
def test_memoryview(double[:] a, double[:] b):
cdef int i, n=a.shape[0]
for i in range(n):
a[i] += b[i]
@cython.boundscheck(False)
@cython.wraparound(False)
def test_numpy(np.ndarray[double] a, np.ndarray[double] b):
cdef int i, n=a.shape[0]
for i in range(n):
a[i] += b[i]
а затем, когда я компилирую вывод C из Cython, я использую флаги -O3 и -march=native.
Это, по-видимому, указывает на то, что разница в таймингах исходит от использования различных оптимизаций компилятора.
Я использую 64-битную версию MinGW и NumPy 1.8.1. Ваши результаты, вероятно, будут зависеть от ваших версий пакетов, оборудования, платформы и компилятора.
Если вы используете макет Cython для тетради IPython, вы можете принудительно выполнить обновление с помощью дополнительных флагов компилятора, заменив %%cython на %%cython -f -c=-O3 -c=-march=native
Если вы используете стандартный setup.py для своего модуля cython, вы можете указать аргумент extra_compile_args при создании объекта Extension, который вы передаете на distutils.setup.
Примечание. Я удалил флаг ndim=1 при указании типов для массивов NumPy, потому что это необязательно.
Это значение по умолчанию равно 1.
Изменение, которое немного увеличивает скорость, это указать шаг:
def test_memoryview_inorder(double[::1] a, double[::1] b):
cdef int i
for i in range(a.shape[0]):
a[i] += b[i]