2

我正在尝试加速我的 Numpy 代码，并决定我想实现一个特定的功能，我的代码大部分时间都在 C 中。

我实际上是 C 语言的新手，但我设法编写了将矩阵中的每一行归一化为总和为 1 的函数。我可以编译它并用一些数据（用 C 语言）对其进行测试，它可以满足我的需求。那时我为自己感到非常自豪。

现在我试图从 Python 调用我的光荣函数，它应该接受一个 2d-Numpy 数组。

我尝试过的各种事情是

  • 痛饮

  • 痛饮+numpy.i

  • 类型

我的函数有原型

void normalize_logspace_matrix(size_t nrow, size_t ncol, double mat[nrow][ncol]);

所以它需要一个指向可变长度数组的指针并就地修改它。

我尝试了以下纯 SWIG 接口文件：

%module c_utils

%{
extern void normalize_logspace_matrix(size_t, size_t, double mat[*][*]);
%}

extern void normalize_logspace_matrix(size_t, size_t, double** mat);

然后我会做（在 Mac OS X 64bit 上）：

> swig -python c-utils.i

> gcc -fPIC c-utils_wrap.c -o c-utils_wrap.o \
     -I/Library/Frameworks/Python.framework/Versions/6.2/include/python2.6/ \
     -L/Library/Frameworks/Python.framework/Versions/6.2/lib/python2.6/ -c
c-utils_wrap.c: In function ‘_wrap_normalize_logspace_matrix’:
c-utils_wrap.c:2867: warning: passing argument 3 of ‘normalize_logspace_matrix’ from   incompatible pointer type

> g++ -dynamiclib c-utils.o -o _c_utils.so

在 Python 中，我在导入模块时收到以下错误：

>>> import c_utils
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ImportError: dynamic module does not define init function (initc_utils)

接下来我使用 SWIG + 尝试了这种方法numpy.i：

%module c_utils

%{
#define SWIG_FILE_WITH_INIT
#include "c-utils.h"
%}
%include "numpy.i"
%init %{
import_array();
%}

%apply ( int DIM1, int DIM2, DATA_TYPE* INPLACE_ARRAY2 ) 
       {(size_t nrow, size_t ncol, double* mat)};

%include "c-utils.h"

但是，我没有比这更进一步：

> swig -python c-utils.i
c-utils.i:13: Warning 453: Can't apply (int DIM1,int DIM2,DATA_TYPE *INPLACE_ARRAY2). No typemaps are defined.

SWIG 似乎找不到在 中定义的类型映射numpy.i，但我不明白为什么，因为numpy.i它在同一个目录中，并且 SWIG 不会抱怨它找不到它。

使用 ctypes 我并没有走得太远，但很快就迷失在文档中，因为我不知道如何将它传递给二维数组，然后将结果取回。

那么有人可以向我展示如何使我的函数在 Python/Numpy 中可用的魔术吗？

4

5 回答 5

8

除非您有充分的理由不这样做，否则您应该使用 cython 来连接 C 和 python。（我们开始在 numpy/scipy 内部使用 cython 而不是原始 C）。

你可以在我的 scikits talkbox中看到一个简单的例子（因为 cython 从那时起已经有了很大的改进，我认为你今天可以写得更好）。

def cslfilter(c_np.ndarray b, c_np.ndarray a, c_np.ndarray x):
    """Fast version of slfilter for a set of frames and filter coefficients.
    More precisely, given rank 2 arrays for coefficients and input, this
    computes:

    for i in range(x.shape[0]):
        y[i] = lfilter(b[i], a[i], x[i])

    This is mostly useful for processing on a set of windows with variable
    filters, e.g. to compute LPC residual from a signal chopped into a set of
    windows.

    Parameters
    ----------
        b: array
            recursive coefficients
        a: array
            non-recursive coefficients
        x: array
            signal to filter

    Note
    ----

    This is a specialized function, and does not handle other types than
    double, nor initial conditions."""

    cdef int na, nb, nfr, i, nx
    cdef double *raw_x, *raw_a, *raw_b, *raw_y
    cdef c_np.ndarray[double, ndim=2] tb
    cdef c_np.ndarray[double, ndim=2] ta
    cdef c_np.ndarray[double, ndim=2] tx
    cdef c_np.ndarray[double, ndim=2] ty

    dt = np.common_type(a, b, x)

    if not dt == np.float64:
        raise ValueError("Only float64 supported for now")

    if not x.ndim == 2:
        raise ValueError("Only input of rank 2 support")

    if not b.ndim == 2:
        raise ValueError("Only b of rank 2 support")

    if not a.ndim == 2:
        raise ValueError("Only a of rank 2 support")

    nfr = a.shape[0]
    if not nfr == b.shape[0]:
        raise ValueError("Number of filters should be the same")

    if not nfr == x.shape[0]:
        raise ValueError, \
              "Number of filters and number of frames should be the same"

    tx = np.ascontiguousarray(x, dtype=dt)
    ty = np.ones((x.shape[0], x.shape[1]), dt)

    na = a.shape[1]
    nb = b.shape[1]
    nx = x.shape[1]

    ta = np.ascontiguousarray(np.copy(a), dtype=dt)
    tb = np.ascontiguousarray(np.copy(b), dtype=dt)

    raw_x = <double*>tx.data
    raw_b = <double*>tb.data
    raw_a = <double*>ta.data
    raw_y = <double*>ty.data

    for i in range(nfr):
        filter_double(raw_b, nb, raw_a, na, raw_x, nx, raw_y)
        raw_b += nb
        raw_a += na
        raw_x += nx
        raw_y += nx

    return ty

正如您所看到的，除了您在 python 中执行的常规参数检查之外，它几乎是相同的（filter_double 是一个函数，如果您愿意，可以在单独的库中用纯 C 编写）。当然，由于它是编译代码，因此如果不检查您的参数将使您的解释器崩溃而不是引发异常（尽管最近的 cython 有几个级别的安全与速度权衡）。

于 2010-12-01T02:31:53.907 回答
3

要回答真正的问题：SWIG 不会告诉您它找不到任何类型映射。它告诉你它不能应用 typemap (int DIM1,int DIM2,DATA_TYPE *INPLACE_ARRAY2)，这是因为没有为DATA_TYPE *. 您需要告诉它您要将其应用于double*：

%apply ( int DIM1, int DIM2, double* INPLACE_ARRAY2 ) 
       {(size_t nrow, size_t ncol, double* mat)};
于 2011-05-30T18:58:16.833 回答
2

首先，您确定您正在编写尽可能快的 numpy 代码吗？如果通过规范化你的意思是将整行除以它的总和，那么你可以编写看起来像这样的快速向量化代码：

matrix /= matrix.sum(axis=0)

如果这不是您的想法，并且您仍然确定需要快速的 C 扩展，我强烈建议您用cython而不是 C 编写它。这将节省您包装代码的所有开销和困难，并允许你可以编写一些看起来像 python 代码但在大多数情况下可以像 C 一样快的代码。

于 2010-12-01T02:31:05.803 回答
2

我同意其他人的观点，一点 Cython 非常值得学习。但是，如果您必须编写 C 或 C++，请使用覆盖 2d 的 1d 数组，如下所示：

// sum1rows.cpp: 2d A as 1d A1
// Unfortunately
//     void f( int m, int n, double a[m][n] ) { ... }
// is valid c but not c++ .
// See also
// http://stackoverflow.com/questions/3959457/high-performance-c-multi-dimensional-arrays
// http://stackoverflow.com/questions/tagged/multidimensional-array c++

#include <stdio.h>

void sum1( int n, double x[] )  // x /= sum(x)
{
    float sum = 0;
    for( int j = 0; j < n; j ++  )
        sum += x[j];
    for( int j = 0; j < n; j ++  )
        x[j] /= sum;
}

void sum1rows( int nrow, int ncol, double A1[] )  // 1d A1 == 2d A[nrow][ncol]
{
    for( int j = 0; j < nrow*ncol; j += ncol  )
        sum1( ncol, &A1[j] );
}

int main( int argc, char** argv )
{
    int nrow = 100, ncol = 10;
    double A[nrow][ncol];
    for( int j = 0; j < nrow; j ++ )
    for( int k = 0; k < ncol; k ++ )
        A[j][k] = (j+1) * k;

    double* A1 = &A[0][0];  // A as 1d array -- bad practice
    sum1rows( nrow, ncol, A1 );

    for( int j = 0; j < 2; j ++ ){
        for( int k = 0; k < ncol; k ++ ){
            printf( "%.2g ", A[j][k] );
        }
        printf( "\n" );
    }
}

11 月 8 日添加：您可能知道，numpy.reshape可以覆盖带有 1d 视图的 numpy 2d 数组以传递给sum1rows，如下所示：

import numpy as np
A = np.arange(10).reshape((2,5))
A1 = A.reshape(A.size)  # a 1d view of A, not a copy
# sum1rows( 2, 5, A1 )
A[1,1] += 10
print "A:", A
print "A1:", A1
于 2010-12-06T11:53:47.203 回答
1

SciPy 有一个包含数组示例代码的扩展教程。 http://docs.scipy.org/doc/numpy/user/c-info.how-to-extend.html

于 2010-12-01T00:38:10.743 回答