引言

通常，在 Python 中写循环（特别是多重循环）非常的慢，在文章 https://www.jb51.net/article/133807.htm中，我们的元胞自动机的状态更新函数 update_state 使用了两重循环，所以我们尝试用 Cython 重构该方法。

代码

我们在同文件夹下新建一个 update.pyx 文件，写入如下内容

import numpy as np cimport numpy as np cimport cythonDTYPE = np.floatctypedef np.float_t DTYPE_tdef update_state(np.ndarray[DTYPE_t, ndim=2] cells): return update_state_c(cells)@cython.boundscheck(False)@cython.wraparound(False)cdef np.ndarray[DTYPE_t, ndim=2] update_state_c(np.ndarray[DTYPE_t, ndim=2] cells): """更新一次状态""" cdef unsigned int i cdef unsigned int j cdef np.ndarray[DTYPE_t, ndim=2] buf = np.zeros((cells.shape[0], cells.shape[1]), dtype=DTYPE) cdef DTYPE_t neighbor_num for i in range(1, cells.shape[0] - 1): for j in range(1, cells.shape[0] - 1): # 计算该细胞周围的存活细胞数 neighbor_num = cells[i, j-1] + cells[i, j+1] + cells[i+1, j] + cells[i-1, j] +\ cells[i-1, j-1] + cells[i-1, j+1] +\ cells[i+1, j-1] + cells[i+1, j+1] if neighbor_num == 3: buf[i, j] = 1 elif neighbor_num == 2: buf[i, j] = cells[i, j] else: buf[i, j] = 0 return buf

update_state_c 函数上的两个装饰器是用来关闭 Cython 的边界检查的。

在同文件下新建一个 setup.py 文件

import numpy as npfrom distutils.core import setupfrom Cython.Build import cythonizesetup( name="Cython Update State", ext_modules=cythonize("update.pyx"), include_dirs=[np.get_include()])

因为在 Cython 文件中使用了 NumPy 的头文件，所以我们需要在 setup.py 将其包含进去。

执行 python setup.py build_ext --inplace 后，同文件夹下会生成一个 update.cp36-win_amd64.pyd 的文件，这就是编译好的 C 扩展。

我们修改原始的代码，首先在文件头部加入 import update as cupdate，然后修改更新方法如下

def update_state(self): """更新一次状态""" self.cells = cupdate.update_state(self.cells) self.timer += 1

将原方法名就改为 update_state_py 即可，运行脚本，无异常。

测速

我们编写一个方法来测试一下使用 Cython 可以带来多少速度的提升

def test_time(): import time game = GameOfLife(cells_shape=(60, 60)) t1 = time.time() for _ in range(300): game.update_state() t2 = time.time() print("Cython Use Time:", t2 - t1) del game game = GameOfLife(cells_shape=(60, 60)) t1 = time.time() for _ in range(300): game.update_state_py() t2 = time.time() print("Native Python Use Time:", t2 - t1)

运行该方法，在我的电脑上输出如下

Cython Use Time: 0.007000446319580078
Native Python Use Time: 4.342248439788818

速度提升了 600 多倍。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。