Cython没有速度提升

Question

我正在尝试定义一个包含用于模拟积分的内部循环的函数。

问题在于速度。在我的机器上，计算一次函数可能需要30秒。因为我的最终目标是最小化这个函数，所以一些额外的速度会很好。

因此，我试图让Cython正常工作，但我肯定犯了一个严重的错误(很可能是许多错误！)。按照Cython文档，我已经尝试输入我的变量。这样做之后，代码就和纯Python一样慢了。这看起来很奇怪。

下面是我的代码：

import numpy as np 
cimport cython
cimport numpy as np
import minuit

data = np.genfromtxt('q6data.csv', usecols = np.arange(1, 24, 1), delimiter = ',')  

cdef int ns    = 1000                 # Number of simulation draws
cdef int K     = 5                    # Number of observed characteristics, including            constant
cdef int J     = len(data[:,1])       # Number of products, including outside
cdef double tol   = 0.0001            # Inner GMM loop tolerance
nu = np.random.normal(0, 1, (6, ns))  # ns random deviates

@cython.boundscheck(False)
@cython.wraparound(False)


def S(np.ndarray[double, ndim=1] delta, double s1, double s2, double s3, double s4,  double s5, double a):
    """Computes the simulated integrals, one for each good.
    Parameters: delta is an array of length J containing mean product specific utility levels
    Returns: Numpy array with length J."""
    cdef np.ndarray[double, ndim=2] mu_ij = np.dot((data[:,2:7]*np.array([s1, s2, s3, s4, s5])), nu[1:K+1,:])
    cdef np.ndarray[double, ndim=2] mu_y  = a * np.log(np.exp(data[:,21].reshape(J,1) +  data[:,22].reshape(J,1)*nu[0,:].reshape(1, ns)) - data[:,7].reshape(J,1))
    cdef np.ndarray[double, ndim=2] V = delta.reshape(J,1) + mu_ij + mu_y
    cdef np.ndarray[double, ndim=2] exp_vi = np.exp(V)
    cdef np.ndarray[double, ndim=2] P_i = (1.0 / np.sum(exp_vi[np.where(data[:,1] == 71)], 0)) * exp_vi[np.where(data[:,1] == 71)] 
    cdef int yrs = 19
    cdef int yr
    for yr in xrange(yrs):
        P_yr = (1.0 / np.sum(exp_vi[np.where(data[:,1]== (yr + 72))], 0)) *   exp_vi[np.where(data[:,1] == (yr + 72))]
        P_i  = np.concatenate((P_i, P_yr)) 
    cdef np.ndarray[double, ndim=1] S = np.zeros(dtype = "d", shape = J)
    cdef int j
    for j in xrange(ns):
        S += P_i[:,j]
    return (1.0 / ns) * S

def d_infty(np.ndarray[double, ndim=1] x, np.ndarray[double, ndim=1] y):
    """Sup norm."""
    return np.max(np.abs(x - y)) 

def T(np.ndarray[double, ndim=1] delta_exp, double s1, double s2, double s3, double s4,  double s5, double a):
    """The contraction operator.  This function takes the parameters and the exponential
    of the starting value of delta and returns the fixed point.""" 
    cdef int iter = 0
    cdef int maxiter = 200
    cdef int i
    for i in xrange(maxiter): 
        delta1_exp = delta_exp * (data[:, 8] / S(np.log(delta_exp), s1, s2, s3, s4, s5, a))                    
        print i
        if d_infty(delta_exp, delta1_exp) < tol:                                       
            break
        delta_exp = delta1_exp
    return np.log(delta1_exp)


def Q(double s1, double s2, double s3, double s4, double s5, double a):
    """GMM objective function."""  
    cdef np.ndarray[double, ndim=1] delta0_exp = np.exp(data[:,10])                                                     
    cdef np.ndarray[double, ndim=1] delta1 = T(delta0_exp, s1, s2, s3, s4, s5, a)
    delta1[np.where(data[:,10]==0)] = np.zeros(len(np.where(data[:,10]==0)))            
    cdef np.ndarray[double, ndim=1] xi =  delta1 - (np.dot(data[:,2:7],   np.linalg.lstsq(data[:,2:7], delta1)[0]))   
    cdef np.ndarray[double, ndim=2] g_J = xi.reshape(J,1) * data[:,11:21]
    cdef np.ndarray[double, ndim=1] G_J = (1.0 / J) * np.sum(g_J, 0) 
    return np.sqrt(np.dot(G_J, G_J))

我已经分析了代码，似乎是函数S，积分模拟器，正在扼杀性能。无论如何，我希望通过输入变量至少能获得一些速度上的提升。由于它没有产生任何收益，我被引导相信我正在犯一些根本性的错误。

有没有人看到导致这个结果的Cython代码中的一个明显的错误？

哦，因为我对编程非常陌生，所以肯定有很多糟糕的风格和东西会减慢代码的速度。如果你有时间，也可以在这些问题上给我提个明白。

Answer 1

Cython可以生成一个html文件来帮助实现这一点：

cython -a MODULE.py

这显示了源代码的每一行都通过各种不同的黄色着色为白色。黄色越深，在该行上执行的Python行为就越动态。对于包含一些黄色的每一行，您需要添加更多静态类型声明。

当我这样做时，我喜欢将我遇到问题的部分源代码拆分到许多单独的行中，每个表达式或运算符一个行，以获得最细粒度的视图。

如果没有这个，很容易忽略变量、函数调用或运算符的一些静态类型声明。(例如，索引操作符xy仍然是一个完全动态的Python操作，除非您另行声明)

Answer 2

Cython不提供自动的性能增益，您必须了解它的内部结构并检查生成的C代码。

特别是，如果您想要提高循环性能，就必须避免在循环中调用Python函数，在这种情况下，您碰巧做了很多事情(所有的np.调用都是Python调用、分片，可能还有其他事情)。

有关使用Cython进行性能优化的一般指南( -a开关在优化时确实很方便)，请参阅this page；有关优化numpy代码时的具体细节，请参阅this one。

Answer 3

你可以通过使用更多的Numpy的功能来加速你的代码。

例如：

cdef np.ndarray[double, ndim=1] S = np.zeros(dtype = "d", shape = J)
cdef int j
for j in xrange(ns):
    S += P_i[:,j]

将会更快更易读，因为

S = P_i.sum(axis=1)

您还会重复一些计算，因此花费的时间会比必要的多两倍。例如

np.where(data[:,1]==(yr + 72))

只能计算一次，并存储在可以重用的变量中。

您还可以执行大量的整形和切片:从一开始就让变量采用更简单的格式可能会有所帮助。如果可能的话，你的代码会更清晰，优化也会更明显。