Cython实现Kalman滤波RTS平滑器仅获25%加速，如何提升性能？

• 核心矩阵运算仍依赖numpy通用接口，开销占比过高
  当前实现中所有的矩阵乘、矩阵求逆操作都调用np.dot、np.linalg.inv等numpy通用函数，这些函数本身带有Python对象封装、参数校验、通用维度适配的额外开销。对于你场景中固定的2维状态、1维观测的极小矩阵场景，这些通用开销占比远高于运算本身的开销，Cython的循环优化效果被抵消了大部分。
• Cython编译优化配置不全
  1. rts_smoother函数的输入参数Xs、Ps没有指定dtype和维度，Cython无法做最优的静态类型推断
  2. 没有添加@cython.boundscheck(False)、@cython.wraparound(False)等装饰器关闭数组边界检查、负索引适配的额外安全校验
  3. 计算密集的循环部分没有释放GIL，无法脱离Python解释器调度运行
• 存在大量冗余内存分配和无用变量
  1. rts_smoother入口处对Xs、Ps做了全量拷贝，完全可以直接修改输入数组或者仅分配必要的临时内存
  2. apply_smoother中声明了x_prior、P_prior、means_p、_log_likelihood等大量从未使用的变量，额外的内存分配开销在短序列测试场景中占比很高
• 小矩阵运算没有做场景特化优化
  对于固定维度的2x2、2x1、1x2矩阵，完全可以把矩阵乘、矩阵求逆操作硬编码为纯数值运算，完全避免numpy调用。比如2x2矩阵求逆有固定的解析公式，比调用通用np.linalg.inv快10倍以上。
• 测试场景的短序列放大了初始化开销
  你测试用的序列长度仅为50，函数初始化、参数检查、数组分配的开销占比很高，如果测试更长的序列，加速比会有所提升，但核心瓶颈还是前面的小矩阵通用运算开销。

内容的提问来源于stack exchange，提问作者SuperCodeBrah