最快的 Cython 实现取决于计算机？

Question

我正在将 python 脚本转换为 cython 并对其进行优化以提高速度。现在我有两个版本，在我的台式机上，V2 的速度是 V1 的两倍，不幸的是，在我的笔记本电脑上，V1 的速度是 V2 的两倍，我无法找出为什么会有如此大的差异。两台电脑都使用：
- Ubuntu 16.04
- Python 2.7.12
- Cython 0.25.2
- 麻木 1.12.1
桌面：
- 英特尔® 酷睿™ i3-4370 CPU @ 3.80GHz × 4 64 位。 16GB 内存
笔记本电脑：
- 英特尔® 酷睿™ i5-3210 CPU @ 2.5GHz × 2 64 位。 8GB 内存

V1 - 您可以找到完整代码 here。所做的唯一更改是将 go.py、preprocessing.py 重命名为 go.pyx、preprocessing.pyx 并使用
import pyximport; pyximport.install() 编译它们。你可以运行 test.py。此版本使用 2d numpy 数组 board 在 go.pyx 中存储数据，并在 preprocessing.pyx 中的 get_board 函数中使用列表理解来处理数据。在测试期间，没有从 go.py 调用任何函数，仅使用了 numpy 数组 board

V2 - 您可以找到完整代码 here。相当多的东西发生了变化，您可以在下面找到一个列表，其中包含影响此测试用例的所有内容。请注意，所有函数和变量声明都必须在 go.pxd 中。您可以运行 test.py 使用此命令：python test.py build_ext --inplace
二维 numpy 数组替换为：

cdef char board[ 362 ]

和 go.pyx 中的函数 get_board_feature 替换了 numpy 列表理解：

cdef char get_board_feature( self, short location ):
    # return correct board feature value
    # 0 active player stone
    # 1 opponent stone
    # 2 empty location

    cdef char value = self.board[ location ]

    if value == EMPTY:
        return 2

    if value == self.player_current:
        return 0

    return 1

preprocessing.pyx 中的

get_board 函数替换为循环遍历数组并为每个位置 go.pyx 调用 get_board_feature 的函数

@cython.boundscheck(False)
@cython.wraparound(False)
cdef int get_board(self, GameState state, np.ndarray[double, ndim=2] tensor, int offSet ):
    """A feature encoding WHITE BLACK and EMPTY on separate planes, but plane 0
       always refers to the current player and plane 1 to the opponent
    """

    cdef short location

    for location in range( 0, state.size * state.size ):

        tensor[ offSet + state.get_board_feature( location ), location ] = 1

    return offSet + 3

如果我应该包括任何其他信息或运行某些测试，请告诉我。

cmp, diff 测试
V2 go.c 和 preprocessing.c 文件是相同的。 V1 不生成 .c 文件来比较

更新比较 .so 个文件
V2 go.so 文件不同：

goD.so goL.so differ: byte 473, line 1

preprocessing.so 文件是相同的，不知道该怎么想..

Answer 1

它们是两台不同的机器，行为也不同。处理器评论使用大型基准套件是有原因的。可以说桌面 CPU 的平均性能更好，但是两个小但重要的代码片段之间的执行时间并不 'have' 有利于桌面 CPU。而且执行时间的差异绝对不必遵循任何线性关系。性能始终取决于大量因素。可能的解释包括但不限于台式机上较小的 L1 和 L2 缓存以及 Ivy Bridge 笔记本电脑和 Haswell 台式机之间向量指令集从 AVX 到 AVX2 的变化。

通常，在优化性能时集中精力使用好的算法并识别和消除瓶颈是个好主意。试图盯着不同机器之间的基准测试可能只会让人头疼。

最快的 Cython 实现取决于计算机？

Fastest Cython implementation depends on computer?

optimization

numpy

cython

baduk