Cython没有速度提升

时间:2010-11-24 07:02:26

标签: python optimization numpy cython

我正在尝试定义一个包含内部循环的函数来模拟积分。

问题在于速度。在我的机器上评估该功能一次最多可能需要30秒。由于我的最终目标是最小化这个功能,所以一些额外的速度会很好。

因此,我试图让Cython工作,但我必须犯一个严重的错误(可能很多人!)。在Cython文档之后,我尝试输入我的变量。这样做之后,代码就像纯Python一样慢。这看起来很奇怪。

这是我的代码:

import numpy as np 
cimport cython
cimport numpy as np
import minuit

data = np.genfromtxt('q6data.csv', usecols = np.arange(1, 24, 1), delimiter = ',')  

cdef int ns    = 1000                 # Number of simulation draws
cdef int K     = 5                    # Number of observed characteristics, including            constant
cdef int J     = len(data[:,1])       # Number of products, including outside
cdef double tol   = 0.0001            # Inner GMM loop tolerance
nu = np.random.normal(0, 1, (6, ns))  # ns random deviates

@cython.boundscheck(False)
@cython.wraparound(False)


def S(np.ndarray[double, ndim=1] delta, double s1, double s2, double s3, double s4,  double s5, double a):
    """Computes the simulated integrals, one for each good.
    Parameters: delta is an array of length J containing mean product specific utility levels
    Returns: Numpy array with length J."""
    cdef np.ndarray[double, ndim=2] mu_ij = np.dot((data[:,2:7]*np.array([s1, s2, s3, s4, s5])), nu[1:K+1,:])
    cdef np.ndarray[double, ndim=2] mu_y  = a * np.log(np.exp(data[:,21].reshape(J,1) +  data[:,22].reshape(J,1)*nu[0,:].reshape(1, ns)) - data[:,7].reshape(J,1))
    cdef np.ndarray[double, ndim=2] V = delta.reshape(J,1) + mu_ij + mu_y
    cdef np.ndarray[double, ndim=2] exp_vi = np.exp(V)
    cdef np.ndarray[double, ndim=2] P_i = (1.0 / np.sum(exp_vi[np.where(data[:,1] == 71)], 0)) * exp_vi[np.where(data[:,1] == 71)] 
    cdef int yrs = 19
    cdef int yr
    for yr in xrange(yrs):
        P_yr = (1.0 / np.sum(exp_vi[np.where(data[:,1]== (yr + 72))], 0)) *   exp_vi[np.where(data[:,1] == (yr + 72))]
        P_i  = np.concatenate((P_i, P_yr)) 
    cdef np.ndarray[double, ndim=1] S = np.zeros(dtype = "d", shape = J)
    cdef int j
    for j in xrange(ns):
        S += P_i[:,j]
    return (1.0 / ns) * S

def d_infty(np.ndarray[double, ndim=1] x, np.ndarray[double, ndim=1] y):
    """Sup norm."""
    return np.max(np.abs(x - y)) 

def T(np.ndarray[double, ndim=1] delta_exp, double s1, double s2, double s3, double s4,  double s5, double a):
    """The contraction operator.  This function takes the parameters and the exponential
    of the starting value of delta and returns the fixed point.""" 
    cdef int iter = 0
    cdef int maxiter = 200
    cdef int i
    for i in xrange(maxiter): 
        delta1_exp = delta_exp * (data[:, 8] / S(np.log(delta_exp), s1, s2, s3, s4, s5, a))                    
        print i
        if d_infty(delta_exp, delta1_exp) < tol:                                       
            break
        delta_exp = delta1_exp
    return np.log(delta1_exp)


def Q(double s1, double s2, double s3, double s4, double s5, double a):
    """GMM objective function."""  
    cdef np.ndarray[double, ndim=1] delta0_exp = np.exp(data[:,10])                                                     
    cdef np.ndarray[double, ndim=1] delta1 = T(delta0_exp, s1, s2, s3, s4, s5, a)
    delta1[np.where(data[:,10]==0)] = np.zeros(len(np.where(data[:,10]==0)))            
    cdef np.ndarray[double, ndim=1] xi =  delta1 - (np.dot(data[:,2:7],   np.linalg.lstsq(data[:,2:7], delta1)[0]))   
    cdef np.ndarray[double, ndim=2] g_J = xi.reshape(J,1) * data[:,11:21]
    cdef np.ndarray[double, ndim=1] G_J = (1.0 / J) * np.sum(g_J, 0) 
    return np.sqrt(np.dot(G_J, G_J))

我已经分析了代码,它似乎是功能S,即整体模拟器,它正在扼杀性能。无论如何,我希望通过键入我的变量至少可以获得一些速度提升。由于它没有产生任何收益,我被引导相信我犯了一些根本性的错误。

是否有人在Cython代码中看到可能导致此结果的明显错误?

哦,因为我对编程很陌生,所以肯定会有很多不好的风格和减慢代码的速度。如果你有时间,请随时让我直截了当。

7 个答案:

答案 0 :(得分:29)

Cython可以生成一个html文件来帮助解决这个问题:

cython -a MODULE.py

这显示每行源代码通过各种黄色阴影着色为白色。黄色越深,仍然在该行上执行的动态Python行为越多。对于包含黄色的每一行,您需要添加更多静态类型声明。

当我这样做时,我喜欢将我遇到的部分源代码分成许多单独的行,每个表达式或运算符一行,以获得最精细的视图。

如果没有这个,很容易忽略变量,函数调用或运算符的一些静态类型声明。 (例如,索引运算符x [y]仍然是一个完全动态的Python操作,除非你另外声明)

答案 1 :(得分:16)

Cython不提供自动性能提升,你必须知道它的内部结构并检查生成的C代码。

特别是如果你想改善循环性能,你必须避免在其中调用Python函数,在这种情况下你碰巧做了很多(所有np.调用都是Python调用,切片,并且可能其他事情)。

有关使用Cython进行性能优化的一般指导原则(请参阅-a开关在优化时非常方便)和this page优化numpy代码时的特性,请参阅this one

答案 2 :(得分:11)

通过使用Numpy的更多功能,你绝对可以加速你的代码。

例如:

cdef np.ndarray[double, ndim=1] S = np.zeros(dtype = "d", shape = J)
cdef int j
for j in xrange(ns):
    S += P_i[:,j]

会更快,更清晰。

S = P_i.sum(axis=1)

您还会重复一些计算,因此需要的时间比必要时间长两倍。例如

np.where(data[:,1]==(yr + 72))

只能计算一次并存储在您可以重复使用的变量中。

您还执行了大量的整形和切片:从一开始就可以让您的变量采用更简单的格式。如果可能,您的代码将更加清晰,优化可能会更加明显。

答案 3 :(得分:6)

分析器会帮助您找出哪个部分很慢吗?我喜欢使用标准库分析器运行程序:

python -O -m cProfile -o profile.out MYAPP.py

然后在'RunSnakeRun'GUI中查看输出:

runsnake profile.out

可以从这里安装RunSnakeRun: http://www.vrplumber.com/programming/runsnakerun/

RunSnakeRun screenshot

答案 4 :(得分:1)

根据这里给出的建议,我花了更多的时间来分析上面的代码。为了希望清理一些我定义的东西

我已经对代码进行了更多的分析,并且更好地了解哪些代码是最慢的。我另外定义了

X = data[:, 2:7]
m_y = data[:, 21].reshape(J,1)
sigma_y = 1.0
price = data[:, 7].reshape(J, 1)
shares_data = data[:,8]

然后是以下几行占用了总时间的大部分时间。

mu_ij = np.dot((X*np.array([s1, s2, s3, s4, s5])), nu[1:K+1,:])
mu_y  = a * np.log(np.exp(m_y + sigma_y*nu[0,:].reshape(1,ns)) - price)
V = delta.reshape(J,1) + mu_ij + mu_y
exp_vi = np.exp(V)
P_i = (1.0 / np.sum(exp_vi[np.where(data[:,1]==71)], 0)) *  exp_vi[np.where(data[:,1]==71)] 
for yr in xarange(19):
    P_yr = (1.0 / np.sum(exp_vi[np.where(data[:,1]==yr)], 0)) * exp_vi[np.where(data[:,1]==yr)]
P_i  = np.concatenate((P_i, P_yr))

我认为这是实现目标的过于繁琐的方式。我希望有人可以提供一些关于如何加快这些阵容的建议。也许我缺少Numpy功能?如果没有充分说明这个问题对您有所帮助,我很乐意提供有关问题背景的更多详细信息。谢谢!

答案 5 :(得分:1)

在您11月28日发表评论后,

仅拆分数据

import sys
import time
import numpy as np

def splitdata( data, n, start=1971 ):
    """ split data into n pieces, where col 1 == start .. start + n """
        # not fancy, fast enough for small n
    split = n * [None]
    for j in range(n):
        split[j] = data[ data[:,1] == start + j ]
    return split  # [ arrays: col1 0, col1 1 ... ]

#...........................................................................
N = 2237
ncol = 21
start = 1971
n = 20
seed = 1
exec "\n".join( sys.argv[1:] )  # run this.py N= ...
np.set_printoptions( 2, threshold=100, suppress=True )  # .2f
np.random.seed(seed)

print "N=%d  ncol=%d  n=%d" % (N, ncol, n)
data = np.random.uniform( start, start + n, (N,ncol) )
data[:,1] = data[:,1].round()
t0 = time.time()

split = splitdata( data, n, start )  # n pieces

print "time: %.0f us splitdata" % ((time.time() - t0) * 1e6)
for y, yeardata in enumerate(split):
    print "%d  %d  %g" % (start + y, len(yeardata), yeardata[:,0].sum())

- &GT;

time: 27632 us splitdata  # old mac ppc
1971  69  136638
1972  138  273292
...

答案 6 :(得分:-6)

“基本错误”是你期望从Python的长循环中获得良好的性能。它是一种解释型语言,实现和ctyping之间的切换对此没有任何作用。有一些用于快速计算的数字Python库,用C语言编写。例如,如果你已经使用numpy数组,为什么不进一步使用scipy进行高级数学运算?它将提高可读性的速度。