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 2 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
- Numpy 1.12.1
桌面：
- Intel® Core™ i3-4370 CPU @ 3.80GHz × 4 64bit。 16GB 内存
笔记本电脑：
- Intel® Core™ i5-3210 CPU @ 2.5GHz × 2 64bit。 8GB 内存

V1 - 你可以找到完整的代码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 将数据存储在 go.pyx 中，并使用 preprocessing.pyx 中的 get_board 函数中的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，只使用了 numpy 数组 board

V2 - 你可以找到完整的代码here。相当多的东西已经改变，你可以在下面找到一个列表，其中列出了影响这个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。您可以使用以下命令运行test.py：python test.py build_ext --inplace
2d numpy 数组被替换为：

cdef char board[ 362 ]

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 函数被替换为循环遍历数组并为每个位置调用go.pyx 中的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

如果我应该包含任何其他信息或运行某些测试，请告诉我。

cmp、差异测试
V2 go.c 和 preprocessing.c 文件是相同的。 V1 不生成.c 文件进行比较

更新比较 .so 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，行为不同。处理器评论使用大型基准套件是有原因的。可以说台式机 CPU 的平均性能更好，但是两个小但不平凡的代码之间的执行时间并不“必须”有利于台式机 CPU。并且差异执行时间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桌面上较小的 L1 和 L2 缓存，以及 Ivy Bridge 笔记本电脑和 Haswell 桌面之间的向量指令集从 AVX 到 AVX2 的变化。

一般来说，在优化性能时，最好专注于使用好的算法并识别和消除瓶颈。试图盯着不同机器之间的基准测试可能只会让人头疼。