问题的一些背景:
我正在尝试优化自定义神经网络代码。
它严重依赖循环,因此我决定使用cython加快计算速度。
我遵循了通常的在线技巧:使用适当的cdef声明所有局部变量,并关闭boundscheck和nonecheck。这勉强给了我10%的表现。
好吧,我的代码依赖于许多类成员。因此,我决定将整个类转换为cdef类。事实证明,cython不允许将numpy ndarrays作为类成员的类型。相反,必须使用memoryviews。
不幸的是,这两种类型似乎完全不兼容。
我已经遇到了这个问题:Cython memoryview transpose: Typeerror
总结一下:您可以将np.ndarray存储在memoryview中。您可以对其进行转置并将返回的数组存储在memview中。但是,如果该memview是类成员,则不是。然后,您必须创建一个中间memview,将结果存储在其中,并将中间memview分配给类成员。
这是代码(非常感谢DavidW)
def double[:,:,:,:] temporary_view_of_transpose
# temporary_view_of_transpose now "looks at" the memory allocated by transpose
# no square brackets!
temporary_view_of_transpose = out_image.transpose(1, 0, 2, 3)
# data is copied from temporary_view_of_transpose to self.y
self.y[...] = temporary_view_of_transpose # (remembering that self.y must be the correct shape before this assignment).
现在,我遇到了一个新问题。
上面的代码来自所谓的“正向传递”。还有一个相应的向后遍历,它向后进行所有计算(对于分析梯度)。
这意味着对于向后传递,我必须转置memoryview并将其存储在numpy数组中:
cdef np.ndarray[DTYPE_t, ndim=4] d_out_image = self.d_y.transpose(1, 0, 2,3)
d_y必须是类成员,因此它必须是memoryview。 Memoryview不允许转置。他们有一个.T方法,但这对我没有帮助。
实际问题:
最佳答案
我认为最好的答案是“您将numpy存储为无类型的python对象”
cdef class C:
cdef object array
def example_function(self):
# if you want to use the fast Cython array indexing in a function
# you can do:
cdef np.ndarray[np.float64_t,ndim=4] self_array = self.array
# or
cdef np.float64_t[:,:,:,:] self_array2 = self.array
# note that neither of these are copies - they're references
# to exactly the same array and so if you modify one it'll modify
# self.array too
def function2(self):
return self.array.transpose(1,0,2,3) # works fine!
这样做的代价很小,是在
example_function
的开头进行了一些类型检查,以检查它实际上是具有正确dtype的4D numpy数组。只要您在该功能上做了大量的工作就可以了。作为一种替代方案(如果您确定确实要将它们存储为memoryviews),则可以use
np.asarray
to convert it back to a numpy array without making a copy(即它们共享数据)。例如
cdef np.ndarray[DTYPE_t, ndim=4] d_out_image = np.asarray(self.d_y).transpose(1, 0, 2,3)
关于python - Cython:转置内存 View ,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/37226813/