使用生成函数时如何使用cython加速scipy最小化？

Question

我有一些代码遵循以下基本模式：

# matrices: list of matrices which represent approximations of orig
# orig: the original matrix
def gen_fxn(matrices, orig):
    def H(param):
        threshold(orig)
        sum = 0
        # iterate over all elements in all matrices to generate a sum from
        # the elementwise difference from orig (the original matrix)
        return sum
    return H

然后我使用scipy.optimize.minimize_scalar在某些特定范围内最小化H。现在，现在显然限制因素是函数H的速度。 matrices是一个很长的列表（长度超过500）的大型矩阵（高达100,000 x 100,000）。我想以某种方式加快cython的速度。我已经在使用numpy了。我可以这样做吗？我尝试阅读有关使用cython的介绍性文献，但它并不清楚如何生成一个函数然后在其他python代码中使用，因为它似乎是加速性能的类型定义，并且那里似乎不是一个＆＃34; python函数＆＃34;类型。我甚至没有成功地在高性能计算群集上完成minimize_scalar ...（现在已经使用maxiter=100，'brent'解算器运行了大约30分钟。任何建议将不胜感激。

Answer 1

根据评论中的建议，我使用了以下方法。我没有迭代缓慢的元素，而是使用了一个掩码来移除我需要的元素（我只想对对角线上方的元素进行求和 -  i < j）在矩阵内，使用np fxns执行减法，元素乘法，平方和矩阵内求和。与双循环方法相比，速度提高了8-10倍，N = 5000左右。