Python 提高numpy三角函数运算性能

我有一个相当大的代码，我需要优化。在使用

time.time（）

进行一些分析后，我发现占用最多处理时间（执行数千次）的行是：

A = np.cos(a) * np.cos(b) - np.sin(a) * np.sin(b) * np.sin(c - d)

其中，所有变量可随机定义为：

N = 5000
a = np.random.uniform(0., 10., N)
b = np.random.uniform(0., 50., N)
c = np.random.uniform(0., 30., N)
d = np.random.uniform(0., 25., N)

是否有办法提高

a

的计算性能？由于我已经在使用

numpy

，我几乎没有什么想法了

通过使用，可以减少触发次数。函数调用。在下面的示例中，

func1

和

func2

计算相同的值，但

func2

对trig的调用较少。功能

import numpy as np

def func1(a, b, c, d):
    A = np.cos(a) * np.cos(b) - np.sin(a) * np.sin(b) * np.sin(c - d)
    return A

def func2(a, b, c, d):
    s = np.sin(c - d)
    A = 0.5*((1 - s)*np.cos(a - b) + (1 + s)*np.cos(a + b))
    return A

下面是与

N=5000

的定时比较：

In [48]: %timeit func1(a, b, c, d)
1000 loops, best of 3: 374 µs per loop

In [49]: %timeit func2(a, b, c, d)
1000 loops, best of 3: 241 µs per loop

---

你有没有试过使用像Numba、Cython、Pythran这样的Python加速器

我和皮瑟伦做了一些测试。结果如下：

原始代码：

• Python+numpy:1000个循环，每个循环3:1.43毫秒的最佳值
• Pythran:1000个循环，每个循环最好3:777usec
• Pythran+SIMD:1000个循环，每个循环3:488 usec的最佳值

沃伦提供的代码：

• Python+numpy:1000个循环，每个循环最好3:1.05毫秒
• Pythran:1000个循环，每个循环3:646 usec的最佳值
• Pythran+SIMD:1000个循环，每个循环3:425 usec的最佳值

这是在N=5000的情况下完成的

• 更新*：

代码如下：

# pythran export func1(float[], float[], float[], float[])
# pythran export func2(float[], float[], float[], float[])
import numpy as np

def func1(a, b, c, d):
    A = np.cos(a) * np.cos(b) - np.sin(a) * np.sin(b) * np.sin(c - d)
    return A

def func2(a, b, c, d):
    s = np.sin(c - d)
    A = 0.5*((1 - s)*np.cos(a - b) + (1 + s)*np.cos(a + b))
    return A

和命令行：

$ pythran test.py  # Default compilation
$ pythran test.py -march=native -DUSE_BOOST_SIMD  # Pythran with code vectorization

---

“所有变量都可以随机定义为…”是您感兴趣的实际用例，还是您使用

np.random.uniform

只是为了获得stackoverflow问题的一些数据？这是在循环中发生的吗？它能被转换成矩阵格式并矢量化吗？@WarrenWeckesser后者。实际数据来自于我相当大的代码中缺失的部分。@njuffa显然不是：太糟糕了，大多数现代计算环境都提供了这个功能。您可能需要考虑将输入添加到现有的<代码> NoMPy < /COD>特征请求。我不熟悉<代码> Pythran >代码>，我不知道代码< SIMD < /COD>代表什么。你能提供更多的细节吗？SIMD的意思是：单指令多数据。在现代建筑中，同时处理多个值（这里是这些数组的多个单元格）是一个概念。现代cpu处理avx（或avx2），它可以一行处理4个单元。关于Pythran，它是一个优化C++代码的Python编译器。它只处理Python代码的约束（静态类型代码和其他一些约束），但它在科学内核上工作（并专注于科学内核），像

numexpr

这样简单的东西可以让您获得与Pythran+SIMD相同的加速比。