Question

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

我实际上是C中的新手，但是我设法写了一个函数，它将矩阵中的每一行规范化为1。我可以编译它并用一些数据测试它（在C中）它做了什么我想要。那时我为自己感到骄傲。

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

我尝试过的各种事情都是

SWIG
SWIG + numpy.i
ctypes的

我的功能有原型

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

因此它需要一个指向可变长度数组的指针并在适当位置修改它。

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（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，我在导入模块时遇到以下错误：

>>> 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，我尝试使用SWIG + numpy.i：

这种方法

%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似乎没有找到numpy.i中定义的类型地图，但我不明白为什么，因为numpy.i位于同一目录中而且SWIG没有抱怨它不能找到它。

使用ctypes我没有走得太远，但很快就迷失在文档中，因为我无法弄清楚如何将它传递给2d阵列然后得到结果。

那么有人可以向我展示如何在Python / Numpy中使用我的函数的神奇技巧吗？

Answer 1

除非你有充分的理由不这样做，否则你应该使用cython来连接C和python。（我们开始在numpy / scipy中使用cython而不是raw C。）

你可以在我的scikits talkbox中看到一个简单的例子（因为从那时起cython已经有了很大的改进，我想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

正如你所看到的，除了通常的参数检查你会在python中做什么，它几乎是一回事（filter_double是一个函数，如果你愿意，可以在单独的库中用纯C编写）。当然，因为它是编译代码，所以如果没有检查你的参数会使你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）。

Answer 2

回答真正的问题：SWIG没有告诉你它找不到任何类型地图。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 *定义的typemap。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)};

Answer 3

首先，您确定要编写最快的numpy代码吗？如果通过标准化意味着将整行除以其总和，则可以编写快速矢量化代码，如下所示：

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C扩展，我强烈建议您在cython而不是C中编写它。这将节省您的所有开销和包装代码的困难，并允许你编写一些看似python代码但在大多数情况下可以像C一样快速运行的东西。

Answer 4

我同意其他人认为Cython值得学习。但是如果你必须编写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日已添加：正如您可能知道的那样，numpy.reshape可以覆盖带有1d视图的numpy二维数组以传递给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

Answer 5

SciPy有一个扩展教程，其中包含数组的示例代码。 http://docs.scipy.org/doc/numpy/user/c-info.how-to-extend.html

使用C函数扩展Numpy

5 个答案: