我目前正在研究基于python的ai minmax树。为了从ai中挤出额外的性能，我一直在使用cython来优化瓶颈，并试图对树的构建进行多处理。
我遇到的问题是当使用cython进行多处理时，ai实际上更慢。我知道多处理会产生开销，这有时会导致它变慢。但是，使用cython时它只会慢一些。当使用等效的python代码时，多处理提供2-3倍的性能提升。
我已经进行了多次测试以排除任何明显的问题。例如，我在启用和不启用alpha-beta修剪的情况下运行测试（在某些情况下可以在没有多处理的情况下执行得更好），但它没有任何区别。我已经将cython对象设置为pickleable，并且多处理的cython ai构建了一个合适的树。我正在使用的多处理实现（仅将根子项传递给pool.map函数）提高性能，但仅在使用纯python代码时。
我错过了一些针对cython的怪癖吗？使用多重处理的cython代码（或一般的c扩展）的一些额外开销？或者这是cython本身的问题吗？
编辑：以下是一些示例时间：
给定深度为7且没有Alpha-Beta修剪:(所有时间均为秒）
Cython，无多处理：
12.457Cython，多处理：
15.440没有Cython，没有多处理：
26.010没有Cython，多处理：
17.609
经过大量测试后，我发现了开销的原因。 @Veedrac是正确的，因为c扩展有额外的开销，而python的缓慢掩盖了没有cython的开销。具体而言，从多个处理器返回分支并将它们添加到根节点时发生开销。这解释了为什么开销不是恒定的，并且实际上随着树的深度增加而放大。
我实际上已经怀疑过这个，并且之前已经过测试。但是，看起来我之前用于测试此开销的代码被窃听了。我现在已经修复了多处理以仅返回必要的信息，并且已经消除了开销。具有多处理功能的Cython现在运行得非常快。
答案 0 :(得分：2)
一个建议是使用nogil函数，看看threading的开销是否较低。