takeaways.md

Takeaways

Teil 1 (Beschleunigen von Python)

1. Pythonschleifen sind im Vergleich zu low-level Sprachen wie C/C++/Fortran sehr langsam.
2. C-Typen sind deutlich schneller, haben allerdings auch C-Semantik (z.B. Overflow bei ganzzahligen Datentypen).
3. Pythonfunktionen haben einen großen Overhead.
4. Sobald eine Funktion aufgerufen wurde, besteht für den Code innerhalb der Funktion kein Performanceunterschied zwischen def, cdefund cpdef.
5. Verwende Fused Types für generischen Cythoncode
6. Verwende die standardisierten ganzzahligen Typen aus libc.stdint.
7. Kompilieren mit Profilingflags verlangsam den Code. Daher niemals für den Releasecode verwenden.
8. Verwende Typed Memoryviews für effizienten Zugriff auf np.arrays.
9. Schleifen über np.arrays innerhalb von Python möglichst vermeiden.
10. Verwende für Typed Memoryviews auf np.arrays den richtigen dtype.
11. Die Daten in einem np.array sind standardmäßig zeilenweise (row-major) gespeichert.
12. Bei der Deklaration eines Memoryviews das Memorylayout möglichst angeben und den Speicher in der angelegten Reihenfolge durchgehen (Cache-friendly Code).
13. Deklariere Cythonfunktionen, welche keine Pythonobjekte oder -operationen verwenden, mit nogil.
14. Für parallelen Cythoncode muss der Global Interpreter Lock deaktiviert werden.
15. Verwende für prange geeignetes schedule und chunksize, um die Arbeit optimal unter den Threads aufzuteilen.

Teil 2 (Wrapping von C)

1. Falls möglich, den C-Speicher für Arrays mit Hilfe von np.arrays in Python allokieren und durch ein Typed Memoryview an die C-Funktion übergeben.
2. Verwende cython.view.arrays für die automatische Verwaltung von C-Speicher, der kompatibel zu einem Memoryview ist.
3. Nutze das RAII-Prinzip für automatische Speicherverwaltung innerhalb Pythons.
4. Stelle sicher, dass die setup.py deines Cythonpackages mit verschiedenen Compilern funktioniert.
5. Read the docs!