Question

我有一些python代码在2d和3d numpy数组上进行数值计算。代码的优化方式是它不使用任何for循环，只使用numpy操作。所有操作均在float类型上完成。

这些是使用的numpy操作：numpy.zeros，numpy.reshape，numpy.where，numpy.logical_or.reduce，numpy.put，numpy.add，{{1} }，numpy.subtract，numpy.true_devide

我运行了一些测试，其开销在numpy.rint，numpy.where和numpy.put操作中。

我的问题是，因为我已经优化了代码，因为它只使用了numpy操作，如果我在Cython中重写我的代码时可以期待任何显着的加速。或者可能还有其他选择？其余代码在Python中，必须保留在Python中。显着增加的是平均速度增加约20％。

EDIT1：

numpy.rint

我需要提供很多代码来使这段代码可以运行，但我希望这有助于理解它。

Answer 1

您使用长行和np.put很难理解。我认为这是等价的：

pdt = pix[:,None,:] + depthValOfU[:,None]*features[:,0]
pdt = np.rint(pdt).astype(int)
pdt = np.reshape(pdt, (2000*500, 2))

d_two = np.zeros(2000*500)

idx = np.where(np.logical_or.reduce((pdt[:,0] < 0, 
                                     pdt[:,0] > w, 
                                     pdt[:,1] < 0, 
                                     pdt[:,1] > h)))
d_two[idx] = self.const

zero_ind = np.where(d_two < 1000)  
d_two[zero_ind] = im[pdt[zero_ind,0], pdt[zero_ind,1]]

根据我的经验，索引分配很快。 where也很快。可以简化or.reduce构造。

如果你按原样投入cython，你将无法获得明显的加速。如果你生成-a html，你会看到许多黄色 - 调用python和numpy。指定数组的形状和类型可能会有所帮助。但是如果没有循环，那么cython就无法改进。

键入的记忆视图可以使用＆＃39; native＆＃39;进行许多数组操作。 cython代码，但它们几乎没有numpy数组的强大功能。

另一种选择是将其重写为纯粹的迭代操作 - 在所有荣耀中都有循环。良好的矢量化numpy的反面。然后让cython将其转换为纯C.但这将是很多工作。

numpy优化代码可以通过在Cython中重写来获得显着的速度提升吗？

1 个答案: