Numpy 如何在cython中键入变量，以便它们更快地传递到memoryview数组？
我正在尝试为N体积分器优化一个双循环，我发现我的代码的问题是，当我将存储的变量写入内存视图位置时，会产生巨大的开销 我最初用numpy对这段代码进行了矢量化，但在另一个for循环中调用了它来更新粒子位置，开销非常大。我有一个np.ndarray Nx2位置向量（X），我想返回一个Nx2动量向量（XOut）——下面列出的当前代码返回一个内存视图，但这没关系，因为我想在调试完这个瓶颈后，最终将这个函数嵌入到其他Cython函数中 我尝试了cython-a“name.pyx”命令，发现我或多或少都是C-type。然而，我发现在循环的底部，写入XOut[ii，0]-=valuex的memoryview会占用大部分运行时间。如果我把它变成一个常数，使XOut[ii，0]-=5，代码会快40倍。我想这意味着我在那条线上做了某种复制操作，这会让我慢下来。我的Cython/C++背景还很初级，但我认为我需要更改语法，以便从指针写入memoryview。任何建议都将不胜感激；谢谢Numpy 如何在cython中键入变量，以便它们更快地传递到memoryview数组？,numpy,types,cython,memoryview,Numpy,Types,Cython,Memoryview,我正在尝试为N体积分器优化一个双循环，我发现我的代码的问题是，当我将存储的变量写入内存视图位置时，会产生巨大的开销 我最初用numpy对这段代码进行了矢量化，但在另一个for循环中调用了它来更新粒子位置，开销非常大。我有一个np.ndarray Nx2位置向量（X），我想返回一个Nx2动量向量（XOut）——下面列出的当前代码返回一个内存视图，但这没关系，因为我想在调试完这个瓶颈后，最终将这个函数嵌入到其他Cython函数中 我尝试了cython-a“name.pyx”命令，发现我或多或少都是C
import numpy as np
cimport numpy as np
from cython.view cimport array as cvarray
cimport cython
from libc.math cimport sinh, cosh, sin, cos, acos, exp, sqrt, fabs, M_PI
DTYPE = np.float64
ctypedef np.float64_t DTYPE_t
cdef DTYPE_t pi = 3.141592653589793
@cython.cdivision(True)
@cython.boundscheck(False) # turn off bounds-checking for entire function
@cython.wraparound(False) # turn off negative index wrapping for entire function
def intTerms(const DTYPE_t[:,:] X, DTYPE_t epsilon, DTYPE_t[:,:] XOut):
cdef Py_ssize_t ii,jj,N
N = X.shape[0]
cdef DTYPE_t valuex,valuey,r2,xvec,yvec
for ii in range(0,N):
for jj in range(ii+1,N):
xvec = X[ii,0]-X[jj,0]
yvec = X[ii,1]-X[jj,1]
r2 = max(xvec**2+yvec**2,epsilon)
valuex = xvec/r2**2
valuey = yvec/r2**2
XOut[ii,0] -= valuex
XOut[ii,1] -= 5 #valuey
XOut[jj,0] += 5 #valuex
XOut[jj,1] += 5 #valuey
XOut[ii,0] /= 2*pi
XOut[ii,1] /= 2*pi
return XOut
好的，问题是数学运算。Cython没有优化**操作符，所以我修改了代码：
import numpy as np
cimport numpy as np
from cython.view cimport array as cvarray
cimport cython
from libc.math cimport sinh, cosh, sin, cos, acos, exp, sqrt, fabs, M_PI
DTYPE = np.float64
ctypedef np.float64_t DTYPE_t
cdef DTYPE_t pi = 3.141592653589793
@cython.cdivision(True)
@cython.boundscheck(False) # turn off bounds-checking for entire function
@cython.wraparound(False) # turn off negative index wrapping for entire function
def intTerms(const DTYPE_t[:,:] X, DTYPE_t epsilon, DTYPE_t[:,:] XOut):
cdef Py_ssize_t ii,jj,N
N = X.shape[0]
cdef DTYPE_t valuex,valuey,r2,xvec,yvec
for ii in range(0,N-1):
for jj in range(ii+1,N):
xvec = X[ii,0]-X[jj,0]
yvec = X[ii,1]-X[jj,1]
r2 = max(xvec*xvec+yvec*yvec,epsilon)
valuex = xvec/r2/r2
valuey = yvec/r2/r2
XOut[ii,0] -= valuex
XOut[ii,1] -= valuey
XOut[jj,0] += valuex
XOut[jj,1] += valuey
XOut[ii,0] /= 2*pi
XOut[ii,1] /= 2*pi
return XOut
将valuex从xvec/r2**2更改为xvec/r2/r2，并删除**运算符的所有实例，将1800x2阵列的循环速度从200ms提高到9ms。我仍然希望4ms的速度是可能的，但我现在只能满足于9ms。如果将xvalue替换为5，编译器可能能够优化所有以前的计算，因为它们没有被使用。我明白你的意思，让我再添加一点背景。所以我有另一个函数，它是一个内存视图的单for循环，添加了另外两个带有sinh和cosh表达式的内存视图。在1800个元素的向量上，这个函数需要18微秒。在double for循环中，它应该是4毫秒，因为它是一个双循环，但是当我添加值时，我得到了200毫秒，所以我认为存在类型问题。好的，我得到了。这是（*2）操作。他是对的。我将（**2）操作更改为xvecxvec和/r2/r2，并将执行时间设置为8毫秒。您能否显示您用于配置文件的数据采样？我想尝试一个逐行分析器来优化它。你只需要传入一个随机数组：X=np.random.rand（1800,4），XOut=0*X，然后XOut=IntTerms（X，0.01，XOut）作为另一个优化，你可能想
/r2/r2