Я пытался написать графическое приложение, которое демонстрирует машинное обучение для проекта в университете, и я разрабатывал его на Python.Поскольку Python довольно медленный язык, я искал способы ускорить выполнение во время выполнения и наткнулся на Cython.Я еще не очень знаком с C / C ++, но я пытался статически набирать как можно большую часть своего кода (несмотря на предупреждения о том, что это может снизить удобочитаемость / гибкость; это не моя главная задача на данный момент).
Однако я действительно не заметил какого-либо существенного улучшения этой реализации по сравнению только с чистым Python, и мне интересно, есть ли у кого-нибудь предложения о том, как его ускорить.Я был бы очень рад чему-то вроде ускорения в 10 раз, хотя я не уверен, насколько это реалистично.
ссылка ниже.
Поскольку он все еще находится в стадии разработки, макет невелик, но я выполнил простую группировку функций.
Исходный код можно найти здесь .Ниже приведены наиболее важные части кода.
.
Итерация по памяти данного пэда:
cdef findBestApproximation(int padindex):
cdef double last_collision_x
cdef double last_collision_y
cdef double last_collision_i_angle
cdef double last_collision_i_speed
cdef double last_collision_f_angle
cdef double last_collision_f_speed
cdef double x_divergence
cdef double y_divergenve
cdef double f_angular_divergence
cdef double divergence
printData("FINDING APPROXIMATION FOR PAD %s...\n" % padindex)
pad = Pads.padlist[padindex]
memory = pad.memory
ball = Balls.ball
if not memory:
approximation = getPadMidpoint(padindex)
return approximation
collision_data = getCollisionData()
(last_collision_x, last_collision_y, last_collision_i_angle,
last_collision_i_speed, last_collision_f_angle,
last_collision_f_speed) = collision_data
best_approx = 0
strictness_coef = 1.03
for memory_tuple in memory:
(x_miss, y_miss, x_collision, y_collision, _, _, f_angle, _) = memory_tuple.getData()
(divergence, x_divergence, y_divergence, f_angular_divergence) = calculateDivergence(memory_tuple, collision_data)
divergence = x_divergence + y_divergence + f_angular_divergence
approximation = (divergence, x_miss, y_miss)
printData("\n\nPAD: %s" % padindex)
printData("\nLAST COLLISION (X) = %s, CONSIDERED CASE (X) = %s" % (last_collision_x, x_collision))
printData("pos_x DIVERGENCE: %s" % x_divergence)
printData("\nLAST COLLISION (Y) = %s, CONSIDERED CASE (Y) = %s" % (last_collision_y, y_collision))
printData("pos_y DIVERGENCE: %s" % y_divergence)
printData("\nLAST COLLISION (fAngle) = %s, CONSIDERED CASE (fAngle) = %s" % (last_collision_f_angle, f_angle))
printData("FINAL ANGLE DIVERGENCE: %s" % f_angular_divergence)
printData("\nTOTAL DIVERGENCE: %s\n\n" % divergence)
if not best_approx:
best_approx = approximation
else:
(least_divergence, _, _) = best_approx
if divergence < least_divergence:
best_approx = approximation
(_, pos_x, pos_y) = best_approx
approximation = (pos_x, pos_y)
return approximation
.
Расчет и атрибуциясчет определенного прошлого события, сохраненного в памяти пэда:
cdef calculateDivergence(memory_tuple, collision_data):
cdef double pos_x_dif
cdef double pos_y_dif
cdef double i_angle_dif
cdef double i_speed_dif
cdef double f_angle_dif
cdef double f_speed_dif
cdef double max_x_difference
cdef double max_y_difference
cdef double max_angular_difference
cdef double x_divergence
cdef double y_divergence
cdef double f_angular_divergence
cdef double total_divergence
(last_collision_x, last_collision_y, last_collision_i_angle,
last_collision_i_speed, last_collision_f_angle,
last_collision_f_speed) = collision_data
(x_miss, y_miss, x_collision, y_collision,
i_angle, i_speed, f_angle, f_speed ) = memory_tuple.getData()
pos_x_dif = abs(x_collision - last_collision_x)
pos_y_dif = abs(y_collision - last_collision_y)
i_angle_dif = getAngleDifference(i_angle, last_collision_i_angle)
i_speed_dif = abs(i_speed - last_collision_i_speed)
f_angle_dif = getAngleDifference(f_angle, last_collision_f_angle)
f_speed_dif = abs(f_speed - last_collision_f_speed)
max_x_difference = window_width
max_y_difference = window_height
max_angular_difference = 180
x_divergence = 100 * pos_x_dif / max_x_difference
y_divergence = 100 * pos_y_dif / max_y_difference
f_angular_divergence = 100 * f_angle_dif / max_angular_difference
#Apply weights.
x_divergence *= WeightData.current_weight
y_divergence *= WeightData.current_weight
f_angular_divergence *= (1 - WeightData.current_weight)
total_divergence = x_divergence + y_divergence + f_angular_divergence
divergence_data = (total_divergence, x_divergence, y_divergence, f_angular_divergence)
return divergence_data
РЕДАКТИРОВАТЬ: Вот результаты профилирования кода.DrawSettingsMenu () - один из худших, но его можно игнорировать (по умолчанию меню настроек не отображается).Любые функции "Initialise ..." также можно игнорировать.