分析scipy.weave内联代码

Question

我将scipy.weave用于python脚本中的性能关键部分。如果可能，我使用OpenMP并行化这些代码。在某些情况下我遇到了瓶颈，这可能是由于虚假共享造成的。如何分析这些内联代码，即在Linux平台上提供合适工具的任何建议？

请参阅下面的错误向量添加实现，这很容易被错误共享。

from scipy.weave import inline
import numpy as np
import time

N = 1000
a = np.random.rand(N)
b = np.random.rand(N)
c = np.random.rand(N)

cpus = 4
weave_options = {'headers'           : ['<omp.h>'],
                 'extra_compile_args': ['-fopenmp -O3'],
                 'extra_link_args'   : ['-lgomp'],
                 'compiler'          : 'gcc'}

code = \
r"""
omp_set_num_threads(cpus);
#pragma omp parallel
{
   #pragma omp for schedule(dynamic)
      for ( int i=0; i<N; i++ ){
         c[i] = a[i]+b[i];
      }
}
"""

now = time.time()
inline(code,['a','b','c','N','cpus'],**weave_options)
print "TOOK {0:.4f}".format(time.time()-now)
print "SUCCESS" if np.all(np.equal(a,a)) else "FAIL"

编辑：

可以使用

valgrind --tool=callgrind --simulate-cache=yes python ***.py

和kcachegrind ./callgrind.out.****至少得到一点点 印象。但结果往往会变得混乱 包装代码。