有什么办法可以提高以下 numpy 代码的速度，可能是通过并行化？

Question

我正在编写一个需要非常低延迟的应用程序。该应用程序将在启用了 mkl-dnn instructions/AVX 指令集的英特尔 Xenon 处理器上运行。以下代码在英特尔 9750H 处理器上执行时需要 22 毫秒。

def func(A,B):
    result = 0
    for ind in range(len(B)):
        index = (A[:,0] <= B[ind,0]) & (A[:,1] <= B[ind,1]) & (A[:,2] <= B[ind,2])
        result += ((A[index,3].sum()) * B[ind,3])
        A = A[~index]
    return result

%timeit func(A,B)
21.5 ms ± 509 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

有没有办法改进代码以减少执行时间。任何小于 5 毫秒的时间都很好。顺便说一下，矩阵 A 的形状为 (80000 x 4)，矩阵 B 的形状为 (32 x 4)。它们都按前三列排序。我们可以并行化任何组件吗，应用程序可以使用 16 个内核。

Answer 1

使用以下函数代替您的函数：

def func2(A, B):
    x = np.zeros(A.shape[0], dtype=int)
    for bInd in range(len(B)):
        x[np.where(x, False, np.all(A[:, 0:3] <= B[bInd, 0:3], axis=1))] = B[bInd, 3]
    return (A[:, 3] * x).sum()

速度增益比您预期的要小。使用形状 (10, 4) 的 A 和形状 (4 , 4), 我的执行时间比你的函数短 15 %。

但也许在更大的源阵列上速度增益会更明显。自己试试。

有什么办法可以提高以下 numpy 代码的速度，可能是通过并行化？

Is there any way, the speed of the following numpy code can be increased, may be by parallelizing?

parallel-processing

numpy

cython

intel-mkl