Skip to content

类型化的内存视图

原文: http://docs.cython.org/en/latest/src/userguide/memoryviews.html

类型化的内存视图允许高效地访问内存缓冲区,例如 NumPy 阵列的内存缓冲区,而不会产生任何 Python 开销。 Memoryview 类似于当前的 NumPy 数组缓冲区支持(np.ndarray[np.float64_t, ndim=2]),但它们具有更多功能和更清晰的语法。

Memoryview 比旧的 NumPy 阵列缓冲支持更通用,因为它们可以处理更多种类的数据源。例如,它们可以处理 C 数组和 Cython 数组类型。

memoryview 可以在任何上下文中使用(函数参数,模块级,cdef 类属性等),并且可以获取自任何通过 PEP 3118 缓冲区接口暴露可写缓冲区的对象。

快速入门

如果您习惯使用 NumPy,以下示例将使您开始使用 Cython 内存视图。

from cython.view cimport array as cvarray
import numpy as np

# Memoryview on a NumPy array
narr = np.arange(27, dtype=np.dtype("i")).reshape((3, 3, 3))
cdef int [:, :, :] narr_view = narr

# Memoryview on a C array
cdef int carr[3][3][3]
cdef int [:, :, :] carr_view = carr

# Memoryview on a Cython array
cyarr = cvarray(shape=(3, 3, 3), itemsize=sizeof(int), format="i")
cdef int [:, :, :] cyarr_view = cyarr

# Show the sum of all the arrays before altering it
print("NumPy sum of the NumPy array before assignments: %s" % narr.sum())

# We can copy the values from one memoryview into another using a single
# statement, by either indexing with ... or (NumPy-style) with a colon.
carr_view[...] = narr_view
cyarr_view[:] = narr_view
# NumPy-style syntax for assigning a single value to all elements.
narr_view[:, :, :] = 3

# Just to distinguish the arrays
carr_view[0, 0, 0] = 100
cyarr_view[0, 0, 0] = 1000

# Assigning into the memoryview on the NumPy array alters the latter
print("NumPy sum of NumPy array after assignments: %s" % narr.sum())

# A function using a memoryview does not usually need the GIL
cpdef int sum3d(int[:, :, :] arr) nogil:
    cdef size_t i, j, k, I, J, K
    cdef int total = 0
    I = arr.shape[0]
    J = arr.shape[1]
    K = arr.shape[2]
    for i in range(I):
        for j in range(J):
            for k in range(K):
                total += arr[i, j, k]
    return total

# A function accepting a memoryview knows how to use a NumPy array,
# a C array, a Cython array...
print("Memoryview sum of NumPy array is %s" % sum3d(narr))
print("Memoryview sum of C array is %s" % sum3d(carr))
print("Memoryview sum of Cython array is %s" % sum3d(cyarr))
# ... and of course, a memoryview.
print("Memoryview sum of C memoryview is %s" % sum3d(carr_view))

此代码应提供以下输出:

NumPy sum of the NumPy array before assignments: 351
NumPy sum of NumPy array after assignments: 81
Memoryview sum of NumPy array is 81
Memoryview sum of C array is 451
Memoryview sum of Cython array is 1351
Memoryview sum of C memoryview is 451

使用内存视图

语法

内存视图以与 NumPy 类似的方式使用 Python 切片语法。

要在一维 int 缓冲区上创建完整视图:

cdef int[:] view1D = exporting_object

完整的 3D 视图:

cdef int[:,:,:] view3D = exporting_object

它们也可以方便地作为函数参数:

def process_3d_buffer(int[:,:,:] view not None):
    ...

参数的not None声明自动拒绝 None 值作为输入,否则将允许。默认情况下允许 None 的原因是它可以方便地用于返回参数:

import numpy as np

def process_buffer(int[:,:] input_view not None,
                   int[:,:] output_view=None):

   if output_view is None:
       # Creating a default view, e.g.
       output_view = np.empty_like(input_view)

   # process 'input_view' into 'output_view'
   return output_view

Cython 将自动拒绝不兼容的缓冲区,例如将三维缓冲区传递给需要二维缓冲区的函数会产生ValueError

在对一个自定义数据类型的NumPy数组上使用内存视图,你需要声明一个等效的紧密结构来模仿这种数据类型。

import numpy as np

CUSTOM_DTYPE = np.dtype([
    ('x', np.uint8),
    ('y', np.float32),
])

a = np.zeros(100, dtype=CUSTOM_DTYPE)

cdef packed struct custom_dtype_struct:
    # The struct needs to be packed since by default numpy dtypes aren't
    # aligned
    unsigned char x
    float y

def sum(custom_dtype_struct [:] a):

    cdef:
        unsigned char sum_x = 0
        float sum_y = 0.

    for i in range(a.shape[0]):
        sum_x += a[i].x
        sum_y += a[i].y

    return sum_x, sum_y

索引

在 Cython 中,内存视图上的索引访问会自动转换为内存地址。以下代码请求一个 C int类型的项目的二维内存视图,并对其使用索引:

cdef int[:,:] buf = exporting_object

print(buf[1,2])

负指数也起作用,从相应维度的末尾开始计算:

print(buf[-1,-2])

以下函数循环遍历 2D 数组的每个维度,并为每个项目添加 1:

import numpy as np

def add_one(int[:,:] buf):
    for x in range(buf.shape[0]):
        for y in range(buf.shape[1]):
            buf[x, y] += 1

# exporting_object must be a Python object
# implementing the buffer interface, e.g. a numpy array.
exporting_object = np.zeros((10, 20), dtype=np.intc)

add_one(exporting_object)

索引和切片可以在有或没有 GIL 的情况下完成。它基本上像 NumPy 一样工作。如果为每个维度指定了索引,您将获得基本类型的元素(例如 )。否则,您将获得一个新视图。省略号表示您为每个未指定的维度获取连续切片:

import numpy as np

exporting_object = np.arange(0, 15 * 10 * 20, dtype=np.intc).reshape((15, 10, 20))

cdef int[:, :, :] my_view = exporting_object

# These are all equivalent
my_view[10]
my_view[10, :, :]
my_view[10, ...]

复制

内存视图可以原位复制:

import numpy as np

cdef int[:, :, :] to_view, from_view
to_view = np.empty((20, 15, 30), dtype=np.intc)
from_view = np.ones((20, 15, 30), dtype=np.intc)

# copy the elements in from_view to to_view
to_view[...] = from_view
# or
to_view[:] = from_view
# or
to_view[:, :, :] = from_view

也可以使用 copy()copy_fortran() 方法复制它们;。

转置

在大多数情况下(见下文),内存视图的可以用与 NumPy 切片相同的转置方式进行转置:

import numpy as np

array = np.arange(20, dtype=np.intc).reshape((2, 10))

cdef int[:, ::1] c_contig = array
cdef int[::1, :] f_contig = c_contig.T

这为数据提供了一个新的转置视图。

转置要求存储器视图的所有维度都具有可直接访问的内存布局(即,直接是指没有通过指针)。

Newaxis

对于 NumPy,可以通过使用None索引数组来引入新轴

cdef double[:] myslice = np.linspace(0, 10, num=50)

# 2D array with shape (1, 50)
myslice[None] # or
myslice[None, :]

# 2D array with shape (50, 1)
myslice[:, None]

# 3D array with shape (1, 10, 1)
myslice[None, 10:-20:2, None]

可以将新的轴索引与所有其他形式的索引和切片混合。另见示例

只读视图

从 Cython 0.28 开始,memoryview 项类型可以声明为const以支持只读缓冲区作为输入:

import numpy as np

cdef const double[:] myslice   # const item type => read-only view

a = np.linspace(0, 10, num=50)
a.setflags(write=False)
myslice = a

使用带有二进制 Python 字符串的非 const 内存视图会产生运行时错误。您可以使用const内存视图解决此问题:

cdef bint is_y_in(const unsigned char[:] string_view):
    cdef int i
    for i in range(string_view.shape[0]):
        if string_view[i] == b'y':
            return True
    return False

print(is_y_in(b'hello world'))   # False
print(is_y_in(b'hello Cython'))  # True

注意,这并不 要求 输入缓冲区是只读的:

a = np.linspace(0, 10, num=50)
myslice = a   # read-only view of a writable buffer

const视图仍然接受可写缓冲区,但非 const,可写视图不接受只读缓冲区:

cdef double[:] myslice   # a normal read/write memory view

a = np.linspace(0, 10, num=50)
a.setflags(write=False)
myslice = a   # ERROR: requesting writable memory view from read-only buffer!

与旧缓冲支持的比较

相较于旧的语法你应该会更喜欢内存视图,因为:

  • 语法更清晰
  • 内存视图通常不需要 GIL。
  • 内存视图要快得多

例如,这是上面sum3d函数在旧语法下等效代码:

cpdef int old_sum3d(object[int, ndim=3, mode='strided'] arr):
    cdef int I, J, K, total = 0
    I = arr.shape[0]
    J = arr.shape[1]
    K = arr.shape[2]
    for i in range(I):
        for j in range(J):
            for k in range(K):
                total += arr[i, j, k]
    return total

请注意,我们不能像上面sum3d的 memoryview 版本那样对函数的缓冲版本使用nogil,因为缓冲区对象是 Python 对象。但是,即使我们不将nogil与 memoryview 一起使用,它也要快得多。这是导入两个版本后 IPython 会话的输出:

In [2]: import numpy as np

In [3]: arr = np.zeros((40, 40, 40), dtype=int)

In [4]: timeit -r15 old_sum3d(arr)
1000 loops, best of 15: 298 us per loop

In [5]: timeit -r15 sum3d(arr)
1000 loops, best of 15: 219 us per loop

Python 缓冲区支持

Cython 内存视图几乎支持导出 Python 新风格缓冲区接口的所有对象。这是 PEP 3118 中描述的缓冲接口。 NumPy 数组支持此接口, Cython 数组 也是如此。 “几乎所有”是因为 Python 缓冲区接口允许数据数组中的 元素本身 是指针; Cython 的内存视图还不支持这一点。

内存布局

缓冲区接口允许对象以各种方式识别底层内存。除了数据元素不允许是指针外,Cython 内存视图支持所有 Python 新型缓冲区布局。如果内存必须满足外部例程或者出于代码优化目的要求的特定格式,你可能需要了解、指定内存布局。

背景

数据访问分为直接访问(无指针)或间接访问(指针)。数据打包意味着您的数据在内存中可能是连续的或不连续的。步幅 这个词用来代表:对每个维度而言,识别连续索引所需要进行的内存跳转的幅度。

NumPy 数组提供了一个良好的跨步直接数据访问模型,因此我们将使用它作为例子来讲解 C 和 Fortran 连续数组的概念以及数据步幅。

C,Fortran 和跨步内存布局的简要概述

最简单的数据布局可能是 C 连续数组。这是 NumPy 和 Cython 数组中的默认布局。 C 连续意味着数组数据在内存中是连续的(见下文),并且阵列的第一维中的相邻元素在内存中是最远的,而最后维中的相邻元素最接近在一起。例如,在 NumPy 中:

In [2]: arr = np.array([['0', '1', '2'], ['3', '4', '5']], dtype='S1')

这里, arr[0, 0]arr[0, 1] 在内存中相隔一个字节,而 arr[0, 0]arr[1, 0] 相距 3 个字节。因此我们可以提出 步幅 的概念。数组的每个轴都有一个步长,即从该轴上的一个元素到下一个元素所需的字节数。在上面的例子中,轴 0 和 1 的步幅显然是:

In [3]: arr.strides
Out[4]: (3, 1)

对于 3维的 C 连续数组:

In [5]: c_contig = np.arange(24, dtype=np.int8).reshape((2,3,4))
In [6] c_contig.strides
Out[6]: (12, 4, 1)

Fortran 连续数组具有相反的内存排序,第一个轴上的元素在内存中最接近:

In [7]: f_contig = np.array(c_contig, order='F')
In [8]: np.all(f_contig == c_contig)
Out[8]: True
In [9]: f_contig.strides
Out[9]: (1, 2, 6)

连续数组是单个连续内存块包含数组元素的所有数据的数组,因此内存块长度是数组中元素数量和元素大小(以字节为单位)的乘积。在上面的示例中,内存块长度为 2 * 3 * 4 * 1 个字节,其中 1 是 int8 的长度。

数组可以是连续的而不必满足 C 或 Fortran 顺序:

In [10]: c_contig.transpose((1, 0, 2)).strides
Out[10]: (4, 12, 1)

切片 NumPy 数组很容易使它不连续:

In [11]: sliced = c_contig[:,1,:]
In [12]: sliced.strides
Out[12]: (12, 1)
In [13]: sliced.flags
Out[13]:
C_CONTIGUOUS : False
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False

内存视图布局的默认行为

您可以为内存视图的任何维度指定内存布局。对于未指定布局的任何维度,数据访问被假定为直接访问,数据打包被假定为是跨越的(满足一个步幅)。例如,内存视图的假设就像是:

int [:, :, :] my_memoryview = obj

C 和 Fortran 连续的内存视图

您可以使用定义中的 ::1 步骤语法为内存视图指定 C 和 Fortran 连续布局。例如,如果您确定您的内存视图将位于 3维 C 连续布局之上,您可以编写:

cdef int[:, :, ::1] c_contiguous = c_contig

其中 c_contig 可以是 C 连续的 NumPy 数组。第 3 位的 ::1 意味着该第 3 维中的元素将是存储器中的一个元素。如果您知道将拥有 3维 Fortran 连续数组:

cdef int[::1, :, :] f_contiguous = f_contig

例如,如果传递非连续缓冲区

# This array is C contiguous
c_contig = np.arange(24).reshape((2,3,4))
cdef int[:, :, ::1] c_contiguous = c_contig

# But this isn't
c_contiguous = np.array(c_contig, order='F')

你会在运行时得到ValueError

/Users/mb312/dev_trees/minimal-cython/mincy.pyx in init mincy (mincy.c:17267)()
    69
    70 # But this isn't
---> 71 c_contiguous = np.array(c_contig, order='F')
    72
    73 # Show the sum of all the arrays before altering it

/Users/mb312/dev_trees/minimal-cython/stringsource in View.MemoryView.memoryview_cwrapper (mincy.c:9995)()

/Users/mb312/dev_trees/minimal-cython/stringsource in View.MemoryView.memoryview.__cinit__ (mincy.c:6799)()

ValueError: ndarray is not C-contiguous

因此,切片类型说明中的 ::1 指示数据在哪个维度上是连续的。它只能用于指定完整的 C 或 Fortran 连续性。

C 和 Fortran 连续副本

可以使用 .copy().copy_fortran() 方法将副本变为 C 或 Fortran 连续:

# This view is C contiguous
cdef int[:, :, ::1] c_contiguous = myview.copy()

# This view is Fortran contiguous
cdef int[::1, :] f_contiguous_slice = myview.copy_fortran()

指定更一般的内存布局

可以使用先前看到的 ::1 切片语法或使用 cython.view 中的任何常量指定数据布局。如果在任何维度中都没有给出说明符,则假定数据访问是直接的,并假设数据打包是跨步的。如果你不知道维度是直接的还是间接的(因为你可能从某个库得到一个带缓冲接口的对象),那么你可以指定 泛型 标志,在这种情况下它将在运行时确定。

标志如下:

  • generic 通用 - 跨步,直接或间接
  • strided 跨步 - 跨步(直接)(这是默认值)
  • indirect 间接 - 跨步和间接的
  • contiguous 连续的 - 连续的和直接的
  • indirect_contiguous 间接连续 - 指针列表是连续的

它们可以像这样使用:

from cython cimport view

# direct access in both dimensions, strided in the first dimension, contiguous in the last
cdef int[:, ::view.contiguous] a

# contiguous list of pointers to contiguous lists of ints
cdef int[::view.indirect_contiguous, ::1] b

# direct or indirect in the first dimension, direct in the second dimension
# strided in both dimensions
cdef int[::view.generic, :] c

只有间接维度后面的第一个,最后一个或维度可以指定为连续的:

from cython cimport view

# VALID
cdef int[::view.indirect, ::1, :] a
cdef int[::view.indirect, :, ::1] b
cdef int[::view.indirect_contiguous, ::1, :] c

# INVALID
cdef int[::view.contiguous, ::view.indirect, :] d
cdef int[::1, ::view.indirect, :] e

continguous::1 之间的区别在于前者仅指定一个维度的邻接,而后者指定所有维度(对Fortran是后续、对C是之前):

cdef int[:, ::1] c_contig = ...

# VALID
cdef int[:, ::view.contiguous] myslice = c_contig[::2]

# INVALID
cdef int[:, ::1] myslice = c_contig[::2]

前一种情况是有效的,因为最后一个维度仍然是连续的,但是第一个维度不再“跟随”最后一个维度(意思是,它已经跨越了,但它不再是 C 或 Fortran 连续),因为它被切片了。

Memoryviews 和 GIL

内存视图通常不需要 GIL:

cpdef int sum3d(int[:, :, :] arr) nogil:
    ...

具体来说,内存视图的索引,切片或转置操作不需要 GIL。 内存视图的复制方法 需要 GIL,或者当 dtype 是对象并且在读取或写入对象元素时也需要GIL。

Memoryview 对象和 Cython 数组

这些类型化的内存视图可以转换为 Python 内存视图对象( cython.view.memoryview )。这些 Python 对象可以像原始内存视图一样进行索引、切片和转置。它们也可以随时转换回 Cython 空间的内存视图。

它们具有以下属性:

  • shape:用元组来表示每个维度的大小,。
  • strides:沿每个维度跨步,以字节为单位。
  • suboffsets
  • ndim:维数。
  • size:视图中的总项数(形状的乘积)。
  • itemsize:视图中项目的大小(以字节为单位)。
  • nbytes:等于 size 乘以 itemsize
  • base

当然还有前面提到的T属性。这些属性与 NumPy 具有相同的语义。例如,要检索原始对象:

import numpy
cimport numpy as cnp

cdef cnp.int32_t[:] a = numpy.arange(10, dtype=numpy.int32)
a = a[::2]

print(a)
print(numpy.asarray(a))
print(a.base)

# this prints:
#    <MemoryView of 'ndarray' object>
#    [0 2 4 6 8]
#    [0 1 2 3 4 5 6 7 8 9]

请注意,此示例返回从中获取视图的原始对象,并在此期间重新切片视图。

Cython 数组

每当复制 Cython 内存视图时(使用任copycopy_fortran 方法),您将获得新创建的 cython.view.array 对象的新内存视图片段。此数组也可以手动使用,并自动分配数据块。稍后可以将其分配给 C 或 Fortran 连续切片(或跨步切片)。它可以像:

from cython cimport view

my_array = view.array(shape=(10, 2), itemsize=sizeof(int), format="i")
cdef int[:, :] my_slice = my_array

它还需要一个可选参数 模式( 'c' 或 'fortran' )和一个布尔 allocate_buffer ,它指示缓冲区是否应该在超出范围时分配和释放:

cdef view.array my_array = view.array(..., mode="fortran", allocate_buffer=False)
my_array.data = <char *> my_data_pointer

# define a function that can deallocate the data (if needed)
my_array.callback_free_data = free

您还可以将指针转换为数组,或将 C 数组转换为数组:

cdef view.array my_array = <int[:10, :2]> my_data_pointer
cdef view.array my_array = <int[:, :]> my_c_array

当然,您也可以立即将 cython.view.array 赋值给类型化的 memoryview 切片。可以将 C 数组直接分配给 memoryview 切片:

cdef int[:, ::1] myslice = my_2d_c_array

这些数组可以像 Python 内存对象一样从 Python 空间进行索引和切片,并且具有与 memoryview 对象相同的属性。

CPython 数组模块

cython.view.array 的替代方案是 Python 标准库中的 array 模块。在 Python 3 中,array.array 类型本身支持缓冲区接口,因此内存视图无需额外设置即可在其上工作。

从 Cython 0.17 开始,也可以在 Python 2 中使用这些数组作为缓冲提供者。这是通过显式 cimporting cpython.array模块完成的,如下所示:

cimport cpython.array

def sum_array(int[:] view):
    """
 >>> from array import array
 >>> sum_array( array('i', [1,2,3]) )
 6
 """
    cdef int total
    for i in range(view.shape[0]):
        total += view[i]
    return total

请注意,cimport 还为数组类型启用旧的缓冲区语法。因此,以下也有效:

from cpython cimport array

def sum_array(array.array[int] arr):  # using old buffer syntax
    ...

强制转换为 NumPy

Memoryview(和数组)对象可以强制转换为 NumPy ndarray,而无需复制数据。你可以,例如做:

cimport numpy as np
import numpy as np

numpy_array = np.asarray(<np.int32_t[:10, :10]> my_pointer)

当然,您不限于使用 NumPy 的类型(例如此处的np.int32_t),您可以使用任何可用的类型。

None 切片

尽管 Memoryview 切片不是对象,但它们可以设置为 None,并且可以检查它们是否为 None:

def func(double[:] myarray = None):
    print(myarray is None)

如果函数需要实内存视图作为输入,则最好在签名中直接拒绝 None 输入,这在 Cython 0.17 及更高版本中受支持,如下所示:

def func(double[:] myarray not None):
    ...

与扩展类的对象属性不同,memoryview 切片不会初始化为 None。

通过指针从 C 函数传递数据

由于在 C 中使用指针是无处不在的,这里我们给出一个快速示例,说明如何调用其参数包含指针的 C 函数。假设您想要使用 NumPy 管理数组(分配和释放)(它也可以是 Python 数组,或者任何支持缓冲区接口的数组),但是您希望使用 C_func_file.c 中实现的外部 C 函数对此数组执行计算]:

#include "C_func_file.h"

void multiply_by_10_in_C(double arr[], unsigned int n)
{
    unsigned int i;
    for (i = 0; i &lt; n; i++) {
        arr[i] *= 10;
    }
}

此文件附带一个名为 C_func_file.h 的头文件,其中包含:

#ifndef C_FUNC_FILE_H
#define C_FUNC_FILE_H

void multiply_by_10_in_C(double arr[], unsigned int n);

#endif

其中 arr 指向数组,n 是其大小。

您可以通过以下方式在 Cython 文件中调用该函数:

cdef extern from "C_func_file.c":
    # C is include here so that it doesn't need to be compiled externally
    pass

cdef extern from "C_func_file.h":
    void multiply_by_10_in_C(double *, unsigned int)

import numpy as np

def multiply_by_10(arr): # 'arr' is a one-dimensional numpy array

    if not arr.flags['C_CONTIGUOUS']:
        arr = np.ascontiguousarray(arr) # Makes a contiguous copy of the numpy array.

    cdef double[::1] arr_memview = arr

    multiply_by_10_in_C(&arr_memview[0], arr_memview.shape[0])

    return arr

a = np.ones(5, dtype=np.double)
print(multiply_by_10(a))

b = np.ones(10, dtype=np.double)
b = b[::2]  # b is not contiguous.

print(multiply_by_10(b))  # but our function still works as expected.

有几件事需要注意:

  • ::1 请求一个 C 连续视图,如果缓冲区不是 C 连续的则失败。
  • &arr_memview[0] 可以理解为'内存视图的第一个元素的地址'。对于连续数组,这相当于平面内存缓冲区的起始地址。
  • arr_memview.shape[0] 可以被 arr_memview.sizearr.shape[0]arr.size 取代。但 arr_memview.shape[0] 更有效,因为它不需要任何 Python 交互。
  • 如果传递的数组是连续的,multiply_by_10 将原位执行计算,如果 arr 不连续,它将返回一个新的 numpy 数组。
  • 如果您使用的是 Python 数组而不是 numpy 数组,则无需检查数据是否连续存储,因为总是如此(译者注:Python数组总是连续的)。参见 使用 Python 数组

这样,您可以调用类似于普通 Python 函数的 C 函数,并将所有内存管理和清理留给 NumPy 数组和 Python 的对象处理。有关如何在 C 文件中编译和调用函数的详细信息,请参阅 使用 C 库

性能:禁用初始化检查

每当内存视图被访问的时候,Cython都会增加一个被访问对象是否已经被初始化的检查。

如果你追求高性能,你可以通过将编译器指令 initializedcheck 设置为 False 来禁用这些检查。更多关于这个指令的信息可以查看 编译器指令



回到顶部