我将引用文档(链接)中的内容:
Memoryviews与当前NumPy数组缓冲区支持(np.ndarray[np.float64_t,ndim=2]
)类似,但它们具有更多功能和更清晰的语法。
这表明Cython的开发人员认为内存视图是现代方法。
在优雅性和互操作性方面,内存视图相对于np.ndarray
符号表示法具有一些重要优势,但它们在性能上并不占优势。
性能:
首先需要注意的是,boundscheck有时会无法与内存视图配合工作,从而导致带有boundscheck=True的内存视图出现人为快速的数字(即您可以获得快速且不安全的索引),如果您依赖于boundscheck来捕获错误,则可能会有一个令人讨厌的惊喜。
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,在差异存在时,通常也不超过10-30%。
性能基准测试
该数字是执行100,000,000个操作的时间(以秒为单位)。数字越小,速度越快。
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
基准测试代码(仅显示访问和赋值)
import numpy as np
cimport numpy as np
cimport cython
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)))
这些基准测试表明,总体上性能差异不大。有时候 np.ndarray 符号略快,有时候则相反。
需要注意的一件事是,当代码变得稍微复杂或“真实”时,差异突然消失了,好像编译器失去了信心,无法应用一些非常聪明的优化。这可以从浮点数的性能中看出来,在其中根本没有任何区别,可能是因为一些花哨的整数优化无法使用。
易用性
内存视图具有显着优势,例如您可以在 numpy 数组、CPython 数组、cython 数组、c 数组和更多的数组上使用内存视图,无论是现在还是将来都可以。另外,还有一个简单的并行语法,可以将任何内容转换为内存视图:
cdef double [:, :] data_view = <double[:256, :256]>data
内存视图在这方面非常好,因为如果您将函数定义为接受内存视图,则它可以接受其中任何一种东西。这意味着您可以编写一个不依赖于numpy的模块,但仍然可以使用numpy数组。
另一方面,np.ndarray
表示的是仍然是一个numpy数组,您可以对其调用所有numpy数组方法。然而,同时拥有numpy数组和该数组的视图并不是个大问题:
def dostuff(arr):
cdef double [:] arr_view = arr
同时使用数组和数组视图在实践中效果很好,我非常喜欢这种风格,因为它清晰地区分了Python级别的方法和C级别的方法。
结论
性能几乎相同,肯定没有足够的差异可以成为决定因素。
NumPy数组符号更接近加速Python代码而不会对其进行太多更改的理想情况,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,则有充分的理由出于一致性的考虑使用内存视图。
double[:]
,它是按照文档建议的方式实现的。 - simonzack