优化使用Typed Memory Views与BLAS的Cython数组运算速度

场景说明 #

我正尝试最大化Cython 3.0代码的运算速度，该代码需循环执行矩阵-向量乘法、向量-向量加法、标量-向量乘法等数组操作来更新数组。目前采用typed memory views传递数组，借助BLAS（scipy.linalg.cython_blas）完成运算，大尺寸数组场景下性能优于Numba实现，但小数组场景中因内存拷贝开销过大，速度不如Numba。

核心问题 #

• 如何减少Cython实现的拷贝开销，使其性能接近移除拷贝后的Cython版本？
• 有无其他无需重写为纯C/C++的方法，可显著提升Cython数组运算速度？

优化成果 #

后续通过原地操作优化代码，将拷贝次数从14次降至2次；再通过循环外预分配数组进一步优化，最终实现全尺寸数组场景下性能超越Numba。

内容的提问来源于stack exchange，提问作者Eric