multiplicar - python matrices tutorial

¿Cómo pasar una matriz Numpy a una función cffi y cómo recuperar una?

Question

Estoy desarrollando un algoritmo de audio usando Python y Numpy. Ahora quiero acelerar ese algoritmo implementando una parte de él en C. En el pasado, lo he hecho usando cython . Ahora quiero hacer lo mismo usando el nuevo cffi .

Para propósitos de prueba, escribí una función trivial en C:

void copy(float *in, float *out, int len) {
    for (int i=0; i<len; i++) {
        out[i] = in[i];
    }
}

Ahora quiero crear dos matrices numpy y que sean procesadas por esta función. Descubrí una manera de hacer eso:

import numpy as np
from cffi import FFI

ffi = FFI()
ffi.cdef("void copy(float *in, float *out, int len);")
C = ffi.dlopen("/path/to/copy.dll")

float_in = ffi.new("float[16]")
float_out = ffi.new("float[16]")

arr_in = 42*np.ones(16, dtype=np.float32)

float_in[0:16] = arr_in[0:16]
C.copy(float_in, float_out, 16)
arr_out = np.frombuffer(ffi.buffer(float_out, 16*4), dtype=np.float32)

Sin embargo, me gustaría mejorar este código:

1. ¿Hay alguna forma de acceder directamente a los buffers subyacentes de las matrices numpy sin copiarlos?
2. ffi.buffer es muy conveniente para convertir rápidamente el contenido de una matriz C a una matriz Numpy. ¿Existe una forma equivalente de convertir rápidamente una matriz numpy en una matriz C sin copiar los elementos individuales?
3. Para algunas aplicaciones, float_in[0:16] = arr_in[0:16] es una forma conveniente de acceder a los datos. Sin arr_out[0:16] = float_out[0:16] , lo contrario, arr_out[0:16] = float_out[0:16] no funciona. Por qué no?

Answer 1

El atributo ctypes de ndarray puede interactuar con el módulo ctypes, por ejemplo, ndarray.ctypes.data es la dirección de datos de la matriz, puede convertirla en un puntero float * y luego pasar el puntero a la función C.

import numpy as np
from cffi import FFI

ffi = FFI()
ffi.cdef("void copy(float *in, float *out, int len);")
C = ffi.dlopen("ccode.dll")

a = 42*np.ones(16, dtype=np.float32)
b = np.zeros_like(a)
pa = ffi.cast("float *", a.ctypes.data)
pb = ffi.cast("float *", b.ctypes.data)

C.copy(pa, pb, len(a))
print b

Para su pregunta 3:

Creo que ffi array no proporciona la información necesaria para acceder a su búfer interno. Así que muchos intentan convertirlo en un número flotante que ha fallado.

La mejor solución que puedo pensar es convertirlo primero a la lista:

float_in[0:16] = list(arr_in[0:16])

Answer 2

Se puede acceder a los datos en una matriz numpy a través de su interfaz de matriz:

import numpy as np
import cffi
ffi = cffi.FFI()

a = np.zeros(42)
data = a.__array_interface__[''data''][0]
cptr = ffi.cast ( "double*" , data )

ahora tiene un tipo de puntero cffi, que puede pasar a su rutina de copia. tenga en cuenta que este es un enfoque básico; Es posible que las matrices numpy no contengan sus datos en una memoria plana, por lo tanto, si su ndarray está estructurada, tendrá que considerar su forma y sus pasos. Si todo es plano, sin embargo, esto es suficiente.

Answer 3

Una actualización de esto: las versiones modernas de CFFI tienen ffi.from_buffer() , que convierte cualquier objeto de búfer (como una matriz numpy) en un puntero char * FFI. Ahora puedes hacerlo directamente:

cptr = ffi.cast("float *", ffi.from_buffer(my_np_array))

o directamente como argumentos a la llamada (el char * se lanza automáticamente para float * ):

C.copy(ffi.from_buffer(arr_in), ffi.from_buffer(arr_out), 16)