Python与cython的快速余弦距离
我想尽可能地加速的余弦距离计算scipy.spatial.distance.cosine，所以我尝试使用numpy
def alt_cosine(x,y):
return 1 - np.inner(x,y)/np.sqrt(np.dot(x,x)*np.dot(y,y))我试过cython
from libc.math cimport sqrt
def alt_cosine_2(x,y):
return 1 - np.inner(x,y)/sqrt(np.dot(x,x)*np.dot(y,y))并逐渐得到改进(在长度为50的numpy数组上测试)
>>> cosine() # ... make some timings
5.27526156300155e-05 # mean calculation time for one loop
>>> alt_cosine()
9.913400815003115e-06
>>> alt_cosine_2()
7.0269494536660205e-06执行此操作的最快方法是什么？不幸的是，我无法为alt_cosine_2指定变量类型，我将对类型为np.float32的numpy数组使用此函数
回答 2
Stack Overflow用户
发布于 2018-07-20 05:03:32
有一种观点认为，numpy的功能不能在cython或numba的帮助下加速。但这并不完全正确:numpy的目标是为广泛的场景提供出色的性能，但这也意味着对于特殊场景，性能不是很完美。
对于手头的特定场景，您有机会改进numpy的性能，即使这意味着重写numpy的一些功能。例如，在本例中，我们可以使用cython将函数加速4倍，使用numba将函数加速8倍。
让我们从您的版本开始作为基准(请参阅答案末尾的清单)：
>>>%timeit cosine(x,y) # scipy's
31.9 µs ± 1.81 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
>>>%timeit np_cosine(x,y) # your numpy-version
4.05 µs ± 19.2 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit np_cosine_fhtmitchell(x,y) # @FHTmitchell's version
4 µs ± 53.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
>>>%timeit np_cy_cosine(x,y)
2.56 µs ± 123 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)所以我看不到@FHTmitchell的版本有什么改进，但在其他方面与你的计时没有什么不同。
你的向量只有50个元素，所以实际计算需要大约200-300 ns :其他一切都是调用函数的开销。减少开销的一种可能是在cython的帮助下“内联”这些函数：
%%cython
from libc.math cimport sqrt
import numpy as np
cimport numpy as np
def cy_cosine(np.ndarray[np.float64_t] x, np.ndarray[np.float64_t] y):
cdef double xx=0.0
cdef double yy=0.0
cdef double xy=0.0
cdef Py_ssize_t i
for i in range(len(x)):
xx+=x[i]*x[i]
yy+=y[i]*y[i]
xy+=x[i]*y[i]
return 1.0-xy/sqrt(xx*yy)这会导致：
>>> %timeit cy_cosine(x,y)
921 ns ± 19.5 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)还不错!我们可以通过进行以下更改来尝试通过放弃一些安全性(运行时检查+ ieee-754标准)来挤出更高的性能：
%%cython -c=-ffast-math
...
cimport cython
@cython.boundscheck(False)
@cython.wraparound(False)
def cy_cosine_perf(np.ndarray[np.float64_t] x, np.ndarray[np.float64_t] y):
...这会导致：
>>> %timeit cy_cosine_perf(x,y)
828 ns ± 17.6 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)即另外10%，这意味着几乎比numpy版本快5倍。
还有另一个工具可以提供类似的功能/性能- numba：
import numba as nb
import numpy as np
@nb.jit(nopython=True, fastmath=True)
def nb_cosine(x, y):
xx,yy,xy=0.0,0.0,0.0
for i in range(len(x)):
xx+=x[i]*x[i]
yy+=y[i]*y[i]
xy+=x[i]*y[i]
return 1.0-xy/np.sqrt(xx*yy)这会导致：
>>> %timeit nb_cosine(x,y)
495 ns ± 5.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)与最初的numpy版本相比，速度提高了8。
numba可以更快的原因有几个: Cython在运行时处理数据的步幅( prevents some optimization )(例如矢量化)。Numba似乎处理得更好。
但这里的差异完全是由于numba的开销更少：
%%cython -c=-ffast-math
import numpy as np
cimport numpy as np
def cy_empty(np.ndarray[np.float64_t] x, np.ndarray[np.float64_t] y):
return x[0]*y[0]
import numba as nb
import numpy as np
@nb.jit(nopython=True, fastmath=True)
def nb_empty(x, y):
return x[0]*y[0]
%timeit cy_empty(x,y)
753 ns ± 6.81 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit nb_empty(x,y)
456 ns ± 2.47 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)numba的开销几乎减少了2倍！
正如@max9111所指出的，numpy内联了其他out函数，但它也能够以非常小的开销调用一些numpy函数，所以下面的版本(用dot替换inner )：
@nb.jit(nopython=True, fastmath=True)
def np_nb_cosine(x,y):
return 1 - np.dot(x,y)/sqrt(np.dot(x,x)*np.dot(y,y))
>>> %timeit np_nb_cosine(x,y)
605 ns ± 5.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each) 只慢了10%左右。
请注意，以上比较仅适用于具有50个元素的向量。对于更多的元素，情况是完全不同的:numpy版本使用并行化的mkl (或类似)实现的点积，并将轻松击败我们的简单尝试。
这就引出了一个问题:针对特定大小的输入优化代码真的值得吗？有时答案是“是”，有时答案是“否”。
如果可能，我会得到numba + dot解决方案，它对于小输入非常快，但对于更大的输入也具有mkl实现的全部功能。
还有一个细微的区别:第一个版本返回一个np.float64浮点，而cython和numba版本返回一个Python--object。
列表：
from scipy.spatial.distance import cosine
import numpy as np
x=np.arange(50, dtype=np.float64)
y=np.arange(50,100, dtype=np.float64)
def np_cosine(x,y):
return 1 - inner(x,y)/sqrt(np.dot(x,x)*dot(y,y))
from numpy import inner, sqrt, dot
def np_cosine_fhtmitchell(x,y):
return 1 - inner(x,y)/sqrt(np.dot(x,x)*dot(y,y))
%%cython
from libc.math cimport sqrt
import numpy as np
def np_cy_cosine(x,y):
return 1 - np.inner(x,y)/sqrt(np.dot(x,x)*np.dot(y,y))Stack Overflow用户
发布于 2018-07-19 23:39:51
https://stackoverflow.com/questions/51425300
复制相似问题