Cython:类型化的memory是现在输入numpy数组的方式吗？

Question

假设我想将numpy数组传递给cdef函数：

cdef double mysum(double[:] arr):
    cdef int n = len(arr)
    cdef double result = 0

    for i in range(n):
        result = result + arr[i]

    return result

这是处理输入numpy数组的现代方法吗？与这个问题比较：cython / numpy type of an array

如果我想做以下事情呢：

cdef double[:] mydifference(int a, int b):
    cdef double[:] arr_a = np.arange(a)
    cdef double[:] arr_b = np.arange(b)

    return arr_a - arr_b

这将返回一个错误，因为没有为memoryview定义-。那么，这个案子应该按以下方式处理吗？

cdef double[:] mydifference(int a, int b):
    arr_a = np.arange(a)
    arr_b = np.arange(b)

    return arr_a - arr_b

Answer 1

我将引用文档the docs

Memoryviews are similar to the current NumPy array buffer support (np.ndarray[np.float64_t, ndim=2]), but they have more features and cleaner syntax.

这表明Cython的开发人员认为内存视图是现代的方式。

与np.ndarray符号相比，内存视图主要在优雅性和互操作性方面提供了一些很大的优势，但是它们在性能上并不优越。

性能：

首先，应该注意boundscheck有时无法处理内存视图，从而导致boundscheck=True的内存视图的人为快速图形（即，您获得快速、不安全的索引），如果您依赖boundscheck来捕获错误，这可能是一个令人讨厌的意外。

在大多数情况下，一旦应用了编译器优化，内存视图和numpy数组表示法在性能上是相等的，通常是这样的。当存在差异时，通常不超过10-30%。

绩效基准

数字是以秒为单位执行100000000个操作的时间。越小越快。

ACCESS+ASSIGNMENT on small array (10000 elements, 10000 times)
Results for `uint8`
1) memory view: 0.0415 +/- 0.0017
2) np.ndarray : 0.0531 +/- 0.0012
3) pointer    : 0.0333 +/- 0.0017

Results for `uint16`
1) memory view: 0.0479 +/- 0.0032
2) np.ndarray : 0.0480 +/- 0.0034
3) pointer    : 0.0329 +/- 0.0008

Results for `uint32`
1) memory view: 0.0499 +/- 0.0021
2) np.ndarray : 0.0413 +/- 0.0005
3) pointer    : 0.0332 +/- 0.0010

Results for `uint64`
1) memory view: 0.0489 +/- 0.0019
2) np.ndarray : 0.0417 +/- 0.0010
3) pointer    : 0.0353 +/- 0.0017

Results for `float32`
1) memory view: 0.0398 +/- 0.0027
2) np.ndarray : 0.0418 +/- 0.0019
3) pointer    : 0.0330 +/- 0.0006

Results for `float64`
1) memory view: 0.0439 +/- 0.0037
2) np.ndarray : 0.0422 +/- 0.0013
3) pointer    : 0.0353 +/- 0.0013

ACCESS PERFORMANCE (100,000,000 element array):
Results for `uint8`
1) memory view: 0.0576 +/- 0.0006
2) np.ndarray : 0.0570 +/- 0.0009
3) pointer    : 0.0061 +/- 0.0004

Results for `uint16`
1) memory view: 0.0806 +/- 0.0002
2) np.ndarray : 0.0882 +/- 0.0005
3) pointer    : 0.0121 +/- 0.0003

Results for `uint32`
1) memory view: 0.0572 +/- 0.0016
2) np.ndarray : 0.0571 +/- 0.0021
3) pointer    : 0.0248 +/- 0.0008

Results for `uint64`
1) memory view: 0.0618 +/- 0.0007
2) np.ndarray : 0.0621 +/- 0.0014
3) pointer    : 0.0481 +/- 0.0006

Results for `float32`
1) memory view: 0.0945 +/- 0.0013
2) np.ndarray : 0.0947 +/- 0.0018
3) pointer    : 0.0942 +/- 0.0020

Results for `float64`
1) memory view: 0.0981 +/- 0.0026
2) np.ndarray : 0.0982 +/- 0.0026
3) pointer    : 0.0968 +/- 0.0016

ASSIGNMENT PERFORMANCE (100,000,000 element array):
Results for `uint8`
1) memory view: 0.0341 +/- 0.0010
2) np.ndarray : 0.0476 +/- 0.0007
3) pointer    : 0.0402 +/- 0.0001

Results for `uint16`
1) memory view: 0.0368 +/- 0.0020
2) np.ndarray : 0.0368 +/- 0.0019
3) pointer    : 0.0279 +/- 0.0009

Results for `uint32`
1) memory view: 0.0429 +/- 0.0022
2) np.ndarray : 0.0427 +/- 0.0005
3) pointer    : 0.0418 +/- 0.0007

Results for `uint64`
1) memory view: 0.0833 +/- 0.0004
2) np.ndarray : 0.0835 +/- 0.0011
3) pointer    : 0.0832 +/- 0.0003

Results for `float32`
1) memory view: 0.0648 +/- 0.0061
2) np.ndarray : 0.0644 +/- 0.0044
3) pointer    : 0.0639 +/- 0.0005

Results for `float64`
1) memory view: 0.0854 +/- 0.0056
2) np.ndarray : 0.0849 +/- 0.0043
3) pointer    : 0.0847 +/- 0.0056

基准代码（仅显示用于访问+分配）

# cython: boundscheck=False
# cython: wraparound=False
# cython: nonecheck=False
import numpy as np
cimport numpy as np
cimport cython

# Change these as desired.
data_type = np.uint64
ctypedef np.uint64_t data_type_t

cpdef test_memory_view(data_type_t [:] view):
    cdef Py_ssize_t i, j, n = view.shape[0]

    for j in range(0, n):
        for i in range(0, n):
            view[i] = view[j]

cpdef test_ndarray(np.ndarray[data_type_t, ndim=1] view):
    cdef Py_ssize_t i, j, n = view.shape[0]

    for j in range(0, n):
        for i in range(0, n):
            view[i] = view[j]

cpdef test_pointer(data_type_t [:] view):
    cdef Py_ssize_t i, j, n = view.shape[0]
    cdef data_type_t * data_ptr = &view[0]

    for j in range(0, n):
        for i in range(0, n):
            (data_ptr + i)[0] = (data_ptr + j)[0]

def run_test():
    import time
    from statistics import stdev, mean
    n = 10000
    repeats = 100
    a = np.arange(0, n,  dtype=data_type)
    funcs = [('1) memory view', test_memory_view),
        ('2) np.ndarray', test_ndarray),
        ('3) pointer', test_pointer)]

    results = {label: [] for label, func in funcs}
    for r in range(0, repeats):
        for label, func in funcs:
            start=time.time()
            func(a)
            results[label].append(time.time() - start)

    print('Results for `{}`'.format(data_type.__name__))
    for label, times in sorted(results.items()):
        print('{: <14}: {:.4f} +/- {:.4f}'.format(label, mean(times), stdev(times)))

这些基准表明，总体而言，业绩没有太大差别。有时np.ndarray符号要快一点，有时vice verca。

基准测试需要注意的一件事是，当代码变得更复杂或更“真实”时，差异会突然消失，就像编译器对应用一些非常聪明的优化失去信心一样。这可以从float的性能中看出，这里没有任何差别，可能是因为一些奇特的整数优化无法使用。

易用性

内存视图提供了显著的优势，例如，您可以在numpy数组、CPython数组、cython数组、c数组等上使用内存视图，无论是现在还是将来。还有一种简单的并行语法，可以将任何内容强制转换为内存视图：

cdef double [:, :] data_view = <double[:256, :256]>data

在这方面，内存视图是很好的，因为如果您键入一个函数作为一个内存视图，那么它可以接受这些内容中的任何一个。这意味着您可以编写一个不依赖于numpy的模块，但它仍然可以使用numpy数组。

另一方面，np.ndarray符号产生的结果仍然是一个numpy数组，您可以调用它上的所有numpy数组方法。不过，同时拥有numpy数组和数组视图并不重要：

def dostuff(arr):
    cdef double [:] arr_view = arr
    # Now you can use 'arr' if you want array functions,
    # and arr_view if you want fast indexing

在实践中，同时使用array和array视图可以很好地工作，我非常喜欢这种风格，因为它清楚地区分了python级方法和c级方法。

结论

表现是非常接近平等的，当然没有足够的差异，这是一个决定因素。

numpy数组表示法更接近于加速python代码而不做太多更改的理想，因为您可以继续使用相同的变量，同时获得全速数组索引。

另一方面，内存视图符号可能是未来的趋势。如果您喜欢它的优雅，并且使用不同类型的数据容器而不仅仅是numpy数组，那么出于一致性的考虑，使用内存视图是非常有理由的。