4

我正在使用几种技术(NumPyWeaveCython)来执行 Python 性能基准测试。代码在数学上的基本作用是C = AB,其中 A、B 和 C 是N x N矩阵(注意:这是矩阵乘积,而不是逐元素乘法)。

我已经编写了 5 个不同的代码实现:

  1. 纯 Python(循环 2D Python 列表)
  2. NumPy(二维 NumPy 数组的点积)
  3. Weave inline(C++ 循环遍历 2D 数组)
  4. Cython(循环 2D Python 列表 + 静态类型)
  5. Cython-Numpy(循环 2D NumPy 数组 + 静态类型)

我的期望是实现 2 到 5 将比实现 1 快得多。但我的结果表明并非如此。这些是我相对于纯 Python 实现的标准化加速结果:

  • python_list:1.00
  • numpy_array:330.09
  • weave_inline:30.72
  • cython_list:2.80
  • cython_array:0.14

我对 NumPy 的表现很满意,但是我对 Weave 的表现不那么热情,Cython 的表现让我哭了。我的整个代码分为两个文件。一切都是自动化的,您只需运行第一个文件即可查看所有结果。有人可以通过说明我可以做些什么来获得更好的结果来帮助我吗?

matmul.py:

import time

import numpy as np
from scipy import weave
from scipy.weave import converters

import pyximport
pyximport.install()
import cython_matmul as cml


def python_list_matmul(A, B):
    C = np.zeros(A.shape, dtype=float).tolist()
    A = A.tolist()
    B = B.tolist()
    for k in xrange(len(A)):
        for i in xrange(len(A)):
            for j in xrange(len(A)):
                C[i][k] += A[i][j] * B[j][k]
    return C


def numpy_array_matmul(A, B):
    return np.dot(A, B)


def weave_inline_matmul(A, B):
    code = """
       int i, j, k;
       for (k = 0; k < N; ++k)
       {
           for (i = 0; i < N; ++i)
           {
               for (j = 0; j < N; ++j)
               {
                   C(i, k) += A(i, j) * B(j, k);
               }
           }
       }
       """

    C = np.zeros(A.shape, dtype=float)
    weave.inline(code, ['A', 'B', 'C', 'N'], type_converters=converters.blitz, compiler='gcc')
    return C


N = 100
A = np.random.rand(N, N)
B = np.random.rand(N, N)

function = []
function.append([python_list_matmul, 'python_list'])
function.append([numpy_array_matmul, 'numpy_array'])
function.append([weave_inline_matmul, 'weave_inline'])
function.append([cml.cython_list_matmul, 'cython_list'])
function.append([cml.cython_array_matmul, 'cython_array'])

t = []
for i in xrange(len(function)):
    t1 = time.time()
    C = function[i][0](A, B)
    t2 = time.time()
    t.append(t2 - t1)
    print function[i][1] + ' \t: ' + '{:10.6f}'.format(t[0] / t[-1])

cython_matmul.pyx:

import numpy as np
cimport numpy as np

import cython
cimport cython

DTYPE = np.float
ctypedef np.float_t DTYPE_t


@cython.boundscheck(False)
@cython.wraparound(False)
@cython.nonecheck(False)
cpdef cython_list_matmul(A, B):

    cdef int i, j, k
    cdef int N = len(A)

    A = A.tolist()
    B = B.tolist()
    C = np.zeros([N, N]).tolist()

    for k in xrange(N):
        for i in xrange(N):
            for j in xrange(N):
                C[i][k] += A[i][j] * B[j][k]
    return C


@cython.boundscheck(False)
@cython.wraparound(False)
@cython.nonecheck(False)
cpdef cython_array_matmul(np.ndarray[DTYPE_t, ndim=2] A, np.ndarray[DTYPE_t, ndim=2] B):

    cdef int i, j, k, N = A.shape[0]
    cdef np.ndarray[DTYPE_t, ndim=2] C = np.zeros([N, N], dtype=DTYPE)

    for k in xrange(N):
        for i in xrange(N):
            for j in xrange(N):
                C[i][k] += A[i][j] * B[j][k]
    return C
4

1 回答 1

11

Python 列表和高性能数学是不兼容的,忘记cython_list_matmul.

您的唯一问题cython_array_matmul是索引的错误使用。它应该是

C[i,k] += A[i,j] * B[j,k]

这就是 numpy 数组在 Python 中的索引方式,也是 Cython 优化的语法。通过此更改,您应该获得不错的性能。

Cython 的注释功能非常有助于发现像这样的优化问题。你会注意到它A[i][j]产生了大量的 Python API 调用,而A[i,j]没有产生任何结果。

此外,如果您手动初始化所​​有条目,np.empty则比np.zeros.

于 2013-06-10T17:08:48.510 回答