改善Numpy表现

Question

我想使用python改善卷积性能，并希望对如何最好地改善性能有一些见解。

我目前正在使用scipy进行卷积，使用的代码类似于下面的代码段：

import numpy
import scipy
import scipy.signal
import timeit

a=numpy.array ( [ range(1000000) ] )
a.reshape(1000,1000)
filt=numpy.array( [ [ 1, 1, 1 ], [1, -8, 1], [1,1,1] ] )

def convolve():
  global a, filt
  scipy.signal.convolve2d ( a, filt, mode="same" )

t=timeit.Timer("convolve()", "from __main__ import convolve")
print "%.2f sec/pass" % (10 * t.timeit(number=10)/100)

我正在使用灰度级（0到255之间的整数值）处理图像数据，并且当前每个卷积得到大约四分之一秒。我的想法是执行以下操作之一：

使用corepy，最好进行一些优化使用icc和ikml重新编译numpy。使用python-cuda。

我想知道是否有人对这些方法有任何经验（通常会获得什么样的收益，并且值得花时间），或者是否有人知道有更好的库可以与Numpy进行卷积。

谢谢！

编辑：

通过使用Numpy在C语言中重写python循环，可将速度提高约10倍。

Answer 1

scipy中用于执行2d卷积的代码有点混乱且未优化。如果要了解scipy的低级功能，请参阅http://svn.scipy.org/svn/scipy/trunk/scipy/signal/firfilter.c。

如果您想要的只是使用一个小的，恒定的内核（如您所示的内核）进行处理，则可以使用如下功能：

def specialconvolve(a):
    # sorry, you must pad the input yourself
    rowconvol = a[1:-1,:] + a[:-2,:] + a[2:,:]
    colconvol = rowconvol[:,1:-1] + rowconvol[:,:-2] + rowconvol[:,2:] - 9*a[1:-1,1:-1]
    return colconvol

此函数利用了上面建议的DarenW之类的内核可分离性，并且利用了更优化的numpy算术例程。根据我的测量，它比convolve2d函数快1000倍以上。