我们来看看这个Python函数:
def py_fun(i,N,step):
res=0.0
while i<N:
res+=i
i+=step
return res
并使用 ipython-magic 来计时:
In [11]: %timeit py_fun(0.0,1.0e5,1.0)
10 loops, best of 3: 25.4 ms per loop
解释器将运行生成的字节码并解释它。但是,我们可以通过使用 cython for/cythonizing 相同的代码来删除解释器:
%load_ext Cython
%%cython
def cy_fun(i,N,step):
res=0.0
while i<N:
res+=i
i+=step
return res
我们的速度提高了 50%:
In [13]: %timeit cy_fun(0.0,1.0e5,1.0)
100 loops, best of 3: 10.9 ms per loop
当我们查看生成的 C 代码时,我们发现直接调用了正确的函数,而不需要解释/调用ceval
,在剥离样板代码后:
static PyObject *__pyx_pf_4test_cy_fun(CYTHON_UNUSED PyObject *__pyx_self, PyObject *__pyx_v_i, PyObject *__pyx_v_N, PyObject *__pyx_v_step) {
...
while (1) {
__pyx_t_1 = PyObject_RichCompare(__pyx_v_i, __pyx_v_N, Py_LT);
...
__pyx_t_2 = __Pyx_PyObject_IsTrue(__pyx_t_1);
...
if (!__pyx_t_2) break;
...
__pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_res, __pyx_v_i);
...
__pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_i, __pyx_v_step);
}
...
return __pyx_r;
}
然而,这个 cython 函数处理 python 对象而不是 c 风格的浮点数,所以在函数中PyNumber_InPlaceAdd
有必要弄清楚这些对象(整数,浮点数,其他什么?)到底是什么,并将此调用分派给可以完成这项工作的正确函数。
在 cython 的帮助下,我们还可以消除这种调度的需要,并直接调用浮点乘法:
%%cython
def c_fun(double i,double N, double step):
cdef double res=0.0
while i<N:
res+=i
i+=step
return res
在这个版本中,i
, N
, step
and res
是 c 风格的双精度数,不再是 python 对象。所以不再需要像这样调用调度函数PyNumber_InPlaceAdd
但我们可以直接调用+
- 运算符double
:
static PyObject *__pyx_pf_4test_c_fun(CYTHON_UNUSED PyObject *__pyx_self, double __pyx_v_i, double __pyx_v_N, double __pyx_v_step) {
...
__pyx_v_res = 0.0;
...
while (1) {
__pyx_t_1 = ((__pyx_v_i < __pyx_v_N) != 0);
if (!__pyx_t_1) break;
__pyx_v_res = (__pyx_v_res + __pyx_v_i);
__pyx_v_i = (__pyx_v_i + __pyx_v_step);
}
...
return __pyx_r;
}
结果是:
In [15]: %timeit c_fun(0.0,1.0e5,1.0)
10000 loops, best of 3: 148 µs per loop
现在,与没有解释器但有调度的版本相比,速度提高了近 100。
实际上,说调度+分配是这里的瓶颈(因为消除它导致速度几乎提高了 100 倍)是一个谬论:解释器负责超过 50% 的运行时间(15 毫秒),并且调度和分配“仅”10ms。
然而,对于性能来说,除了“解释器”和动态分派之外,还有更多问题:Float 是不可变的,因此每次更改时都必须创建一个新对象,并在垃圾收集器中注册/注销。
我们可以引入可变浮点数,它们可以就地更改并且不需要注册/取消注册:
%%cython
cdef class MutableFloat:
cdef double x
def __cinit__(self, x):
self.x=x
def __iadd__(self, MutableFloat other):
self.x=self.x+other.x
return self
def __lt__(MutableFloat self, MutableFloat other):
return self.x<other.x
def __gt__(MutableFloat self, MutableFloat other):
return self.x>other.x
def __repr__(self):
return str(self.x)
时间(现在我使用不同的机器,所以时间有点不同):
def py_fun(i,N,step,acc):
while i<N:
acc+=i
i+=step
return acc
%timeit py_fun(1.0, 5e5,1.0,0.0)
30.2 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each
%timeit cy_fun(1.0, 5e5,1.0,0.0)
16.9 ms ± 612 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
...: .0),MutableFloat(0.0); py_fun(i,N,step,acc)
23 ms ± 254 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
...: .0),MutableFloat(0.0); cy_fun(i,N,step,acc)
11 ms ± 66.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
不要忘记重新初始化i
因为它是可变的!结果
immutable mutable
py_fun 30ms 23ms
cy_fun 17ms 11ms
因此,在带有解释器的版本中,注册/取消注册浮点数最多需要 7 毫秒(大约 20%)(我不确定是否有其他东西在起作用),而在没有解释器的版本中,需要超过 33% 的时间。
现在看起来:
- 40% (13/30) 的时间由口译员使用
- 高达 33% 的时间用于动态调度
- 多达 20% 的时间用于创建/删除临时对象
- 算术运算大约占1%
另一个问题是数据的局部性,这对于内存带宽限制问题来说变得很明显:如果数据在一个又一个连续的内存地址上线性处理,那么现代缓存可以很好地工作。这对于循环来说是正确的std::vector<>
(or array.array
),但不适用于循环 python 列表,因为该列表由可以指向内存中任何位置的指针组成。
考虑以下 python 脚本:
#list.py
N=int(1e7)
lst=[0]*int(N)
for i in range(N):
lst[i]=i
print(sum(lst))
and
#byte
N=int(1e7)
b=bytearray(8*N)
m=memoryview(b).cast('L') #reinterpret as an array of unsigned longs
for i in range(N):
m[i]=i
print(sum(m))
他们都创造1e7
整数,第一个版本的Python整数和第二个版本的低级c整数,它们连续放置在内存中。
有趣的是,这些脚本产生了多少缓存未命中 (D):
valgrind --tool=cachegrind python list.py
...
D1 misses: 33,964,276 ( 27,473,138 rd + 6,491,138 wr)
versus
valgrind --tool=cachegrind python bytearray.py
...
D1 misses: 4,796,626 ( 2,140,357 rd + 2,656,269 wr)
这意味着 python 整数的缓存未命中次数增加了 8 倍。部分原因是,Python 整数需要超过 8 个字节(可能是 32 个字节,即因子 4)内存和(也许不是 100% 确定,因为相邻整数是在彼此之后创建的,所以机会很高) ,它们被存储在内存中的某个地方,需要进一步调查)一些是因为它们在内存中没有对齐,就像 c 整数的情况一样bytearray
.