Python cython Memory查看速度比预期慢

我已经开始使用cython中的MemoryView来访问numpy阵列。它们的一个优点是比旧的numpy缓冲区支持快得多：

然而，我有一个例子，旧的numpy缓冲区支持比memoryView更快！ 这怎么可能？！我想知道我是否正确使用了MemoryView

这是我的测试：

import numpy as np
cimport numpy as np
cimport cython

@cython.boundscheck(False)
@cython.wraparound(False)
cpdef np.ndarray[np.uint8_t, ndim=2] image_box1(np.ndarray[np.uint8_t, ndim=2] im, 
                                               np.ndarray[np.float64_t, ndim=1] pd,  
                                               int box_half_size):
    cdef unsigned int p0 = <int>(pd[0] + 0.5)  
    cdef unsigned int p1 = <int>(pd[1] + 0.5)    
    cdef unsigned int top = p1 - box_half_size
    cdef unsigned int left = p0 - box_half_size
    cdef unsigned int bottom = p1 + box_half_size
    cdef unsigned int right = p0 + box_half_size    
    cdef np.ndarray[np.uint8_t, ndim=2] box = im[top:bottom, left:right] 
    return box 

@cython.boundscheck(False)
@cython.wraparound(False)
cpdef np.uint8_t[:, ::1] image_box2(np.uint8_t[:, ::1] im, 
                                    np.float64_t[:] pd,  
                                    int box_half_size):

    cdef unsigned int p0 = <int>(pd[0] + 0.5)  
    cdef unsigned int p1 = <int>(pd[1] + 0.5)    
    cdef unsigned int top = p1 - box_half_size
    cdef unsigned int left = p0 - box_half_size
    cdef unsigned int bottom = p1 + box_half_size
    cdef unsigned int right = p0 + box_half_size     
    cdef np.uint8_t[:, ::1] box = im[top:bottom, left:right]   
    return box 

将numpy导入为np
cimport numpy作为np
西姆波特赛顿酒店
@cython.boundscheck（错误）
@cython.wrapparound（假）
cpdef np.ndarray[np.uint8_t，ndim=2]图像框1（np.ndarray[np.uint8_t，ndim=2]im，
np.ndarray[np.float64_t，ndim=1]pd，
整数框（半个大小）：
cdef无符号整数p0=（pd[0]+0.5）
cdef无符号整数p1=（pd[1]+0.5）
cdef unsigned int top=p1-方框大小
cdef unsigned int left=p0-框大小
cdef unsigned int bottom=p1+方框大小的一半
cdef unsigned int right=p0+方框大小
cdef np.ndarray[np.uint8_t，ndim=2]框=im[顶部：底部，左侧：右侧]
返回框
@cython.boundscheck（错误）
@cython.wrapparound（假）
cpdef np.uint8_t[：，：：1]图像框2（np.uint8_t[：，：：1]im，
np.64_t[：]pd，
整数框（半个大小）：
cdef无符号整数p0=（pd[0]+0.5）
cdef无符号整数p1=（pd[1]+0.5）
cdef unsigned int top=p1-方框大小
cdef unsigned int left=p0-框大小
cdef unsigned int bottom=p1+方框大小的一半
cdef unsigned int right=p0+方框大小
cdef np.uint8_t[：，：：1]框=im[上：下，左：右]
返回框

计时结果如下：

图像_框1：键入的numpy： 100000个回路，最好3个：每个回路11.2 us

图2：内存视图： 100000个回路，最好的3个：每个回路18.1 us

---

这些测量是在IPython上使用%timeit image_box1（im、pd、box_一半大小）

好的！我发现了问题。 正如seberg指出的，memoryview的速度似乎较慢，因为测量包括从numpy数组到memoryview的自动转换

我使用以下函数从cython模块中测量时间：

def test(params):   
    import timeit
    im = params[0]
    pd = params[1]
    box_half_size = params[2]
    t1 = timeit.Timer(lambda: image_box1(im, pd, box_half_size))
    print 'image_box1: typed numpy:'
    print min(t1.repeat(3, 10))
    cdef np.uint8_t[:, ::1] im2 = im
    cdef np.float64_t[:] pd2 = pd
    t2 = timeit.Timer(lambda: image_box2(im2, pd2, box_half_size))
    print 'image_box2: memoryview:'
    print min(t2.repeat(3, 10)) 

结果:

图像_框1：键入的numpy： 9.07607864065e-05

图2：内存视图： 5.81799904467e-05

所以记忆视图确实更快

请注意，在调用image_box2之前，我将im和pd转换为MemoryView。如果我不执行此步骤，直接传递im和pd，则image_box2会变慢：

图像_框1：键入的numpy： 9.12262257771e-05

图2：内存视图：

---

0.000185245087778

我想您是在用python对这些函数计时？从那时起，返回值也是第二个函数中的一个

np.ndarray

（我假设），这可能已经解释了速度减慢的原因，因为制作

np.ndarray

是一项额外的工作，总体上没有太多的工作要做。是的，我从IPython使用命令：%timeit image\u box1（im，pd，box\u半个大小）我刚刚编辑了我的问题，将cython中的计时功能包括在内。记忆视图仍然比较慢！校正你说得对，延迟是从numpy数组到memoryview的转换！我不确定这是否又是100%公平的，因为如果您键入，您可能还应该在cython中键入数组。但我想在任何情况下，它归结为一些转换（数组->memoryview或memoryview->数组），但无论如何，这都是很小的开销。根据你的建议，我尝试通过将im和pd复制到相应的numpy缓冲区类型来使测试更公平。我在test函数中执行此操作，然后将缓冲区类型传递给image_box1。然而，如果我试图将这些缓冲区类型传递给image_box1，我会得到编译错误“缓冲区类型仅允许作为函数局部变量”，我一直在试图找到该错误的解决方案，但似乎没有找到任何解决方案。我开始认为这是赛昂的限制。