Question

以下是两个代码示例

def hough_transform_1(active_points, size_trame, size_max_song):
    m = np.linspace(0.95, 1.05, 11)
    p = np.linspace(-size_trame, size_max_song, size_max_song + size_trame + 1)
    acc = np.zeros([m.size, p.size])
    for m_i in m:
        for x_i, y_i in active_points:
            p_i = y_i - m_i * x_i + size_trame
            if p_i >= 0 and p_i < p.size:
                acc[m_i * 100 - 95, p_i] += 1
    #Return some value



DTYPE_INT = np.int
DTYPE_FLOAT = np.float

ctypedef np.int_t DTYPE_INT_t
ctypedef np.float_t DTYPE_FLOAT_t

@cython.boundscheck(False)
def hough_transform_2(np.ndarray[DTYPE_FLOAT_t, ndim=2] activepoints, sizetrame, sizemaxsong):
    cdef size_trame = sizetrame
    cdef size_max_song = sizemaxsong
    cdef np.ndarray[DTYPE_FLOAT_t, ndim=2] active_points = activepoints
    cdef DTYPE_FLOAT_t x_i, y_i, m_i, p_i
    cdef float best_transformed
    cdef np.ndarray[DTYPE_FLOAT_t, ndim=1] m = np.linspace(0.95, 1.05, 11).astype(DTYPE_FLOAT)
    cdef np.ndarray[DTYPE_INT_t, ndim=2] acc = np.zeros([m.size, size_max_song + size_trame + 1], dtype=DTYPE_INT)
    cdef int i_range = m.size
    cdef int j_range = active_points.shape[0]
    for i in range(i_range):
        m_i = m[i]
        for j in range(j_range):
            x_i = active_points[j][0]
            x_i = active_points[j][1]
            p_i = y_i - m_i * x_i + size_trame
            if p_i >= 0 and p_i < size_max_song + size_trame + 1:
                acc[m_i * 100 - 95, p_i] += 1
    #Return some value

这两个函数（在给定（x，y）输入点列表的情况下检测斜率介于0.95和1.05之间的行）是等效的，但第二个使用cython优化。

用（x为1或2）测试他们的速度

    time1 = time.time()
    for _ in range(100):
        hough_transform_x(points, self.length, self.length)
    time2 = time.time()

我得到了那些结果：

35s for hough_transform_1; 20分钟为hough_transform_2

由于在这种类型的函数上使用Cython应该会产生更显着的加速（我预期100次而不是1.75次），我认为我的cythonized代码出了问题，但无法检测到它。我错过了什么？

Answer 1

首先，键入所有内容。其次，实际输入它们。

这些都没有输入（！），应该在参数列表中输入：

    cdef size_trame = sizetrame
    cdef size_max_song = sizemaxsong

这是多余的：

    cdef np.ndarray[DTYPE_FLOAT_t, ndim=2] active_points = activepoints

这很好：

    cdef DTYPE_FLOAT_t x_i, y_i, m_i, p_i

你不能使用它：

    cdef float best_transformed

这可能会更好地硬编码为C数组（DTYPE_FLOAT_t[11]）：

    cdef np.ndarray[DTYPE_FLOAT_t, ndim=1] m = np.linspace(0.95, 1.05, 11).astype(DTYPE_FLOAT)

这些都很好：

    cdef np.ndarray[DTYPE_INT_t, ndim=2] acc = np.zeros([m.size, size_max_song + size_trame + 1], dtype=DTYPE_INT)
    cdef int i_range = m.size
    cdef int j_range = active_points.shape[0]

i是无类型的：

    for i in range(i_range):
        m_i = m[i]

j是无类型的：

        for j in range(j_range):

这毫无意义：

            x_i = active_points[j][0]

您想要active_points[j, 1]：

            x_i = active_points[j][1]                
            p_i = y_i - m_i * x_i + size_trame

0 <= pi < size_max_song + size_trame + 1

            if p_i >= 0 and p_i < size_max_song + size_trame + 1:
                acc[m_i * 100 - 95, p_i] += 1

没有达到Cython的预期加速

1 个答案: