诊断和提高计算速度

Question

我有一个导入模块geometry的脚本，并且该模块将我的脚本放到了极端级别上。我的脚本生成位图和，以1600万像素为1600万像素，这将需要100多个小时

这里有问题的模块：

'''
Created on 2 fevr. 2014
@author: gary
'''
#module name is: geometry.py
import numpy as np
import numpy.linalg as la
import tetgen
def barycentric_coords(vertices, point):
    T = (np.array(vertices[:-1])-vertices[-1]).T
    v = np.dot(la.inv(T), np.array(point)-vertices[-1])
    v.resize(len(vertices))
    v[-1] = 1-v.sum()
    #print vertices
    return v
def tetgen_of_hull(points):
    tg_all = tetgen.TetGen(points)
    hull_i = set().union(*tg_all.hull)
    hull_points = [points[i] for i in hull_i]
    tg_hull = tetgen.TetGen(hull_points)
    return tg_hull, hull_i
def containing_tet(tg, point):
    for tet in tg.tets:
        verts = [tg.points[j] for j in tet]
        bcoords = barycentric_coords(verts, point)
        if (bcoords >= 0).all():
            return bcoords
    return None, None

这是Cprofile在我的脚本上使用的统计数据，它使用了上面的功能，显然这是时间花费的地方：

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
  1291716   45.576    0.000  171.672    0.000 geometry.py:10(barycentric_coords)
  6460649   31.617    0.000   31.617    0.000 {numpy.core.multiarray.array}
  2583432   15.979    0.000   15.979    0.000 {method 'reduce' of 'numpy.ufunc'
objects}
     2031   12.032    0.006  193.333    0.095 geometry.py:26(containing_tet)
  1291716   10.944    0.000   58.323    0.000 linalg.py:244(solve)
  1291716    7.075    0.000    7.075    0.000 {numpy.linalg.lapack_lite.dgesv}
  1291716    5.750    0.000    9.865    0.000 linalg.py:99(_commonType)
  2583432    5.659    0.000    5.659    0.000 {numpy.core.multiarray._fastCopyAn
dTranspose}
  1291716    5.526    0.000    7.299    0.000 twodim_base.py:169(eye)
  1291716    5.492    0.000   12.791    0.000 numeric.py:1884(identity)

所以这是我的问题：

numpy似乎在处理barycentric坐标的计算时似乎很慢，在c++中这样做是值得的吗？还是有任何方法可以以另一种方式（在python中）？

Answer 1

实时链接可能是您在barycentric_coords中进行的矩阵反转：

    v = np.dot(la.inv(T), np.array(point)-vertices[-1])

记住，在几乎所有情况下：不要倒矩阵！

您可以用：

替换该行

v = np.linalg.lstsq(T, np.array(point)-vertices[-1])[0]

使用更快的最小二乘解决方案获得相同的结果。