为pyopengl和numpy构建交叉缓冲区

Question

我正在尝试在一个交错数组中批处理一堆顶点和纹理坐标，然后将其发送到pyOpengl的glinterleavedarray/gldrawarray。唯一的问题是，我无法找到一个足够快的适当方式将数据追加到numpy数组中。在

有更好的方法吗？我本以为预先分配数组，然后用数据填充它会更快，但是生成python列表并将其转换为numpy数组会“更快”。虽然4096个四头肌15毫秒看起来很慢。在

我已经包括了一些示例代码和它们的计时。在

#!/usr/bin/python

import timeit
import numpy
import ctypes
import random

USE_RANDOM=True
USE_STATIC_BUFFER=True

STATIC_BUFFER = numpy.empty(4096*20, dtype=numpy.float32)

def render(i):
    # pretend these are different each time
    if USE_RANDOM:
        tex_left, tex_right, tex_top, tex_bottom = random.random(), random.random(), random.random(), random.random()
        left, right, top, bottom = random.random(), random.random(), random.random(), random.random()
    else:
        tex_left, tex_right, tex_top, tex_bottom = 0.0, 1.0, 1.0, 0.0
        left, right, top, bottom = -1.0, 1.0, 1.0, -1.0

    ibuffer = (
        tex_left, tex_bottom,   left, bottom, 0.0,  # Lower left corner
        tex_right, tex_bottom,  right, bottom, 0.0, # Lower right corner
        tex_right, tex_top,     right, top, 0.0,    # Upper right corner
        tex_left, tex_top,      left, top, 0.0,     # upper left
    )

    return ibuffer



# create python list.. convert to numpy array at end
def create_array_1():
    ibuffer = []
    for x in xrange(4096):
        data = render(x)
        ibuffer += data

    ibuffer = numpy.array(ibuffer, dtype=numpy.float32)
    return ibuffer

# numpy.array, placing individually by index
def create_array_2():
    if USE_STATIC_BUFFER:
        ibuffer = STATIC_BUFFER
    else:
        ibuffer = numpy.empty(4096*20, dtype=numpy.float32)
    index = 0
    for x in xrange(4096):
        data = render(x)
        for v in data:
            ibuffer[index] = v
            index += 1
    return ibuffer

# using slicing
def create_array_3():
    if USE_STATIC_BUFFER:
        ibuffer = STATIC_BUFFER
    else:
        ibuffer = numpy.empty(4096*20, dtype=numpy.float32)
    index = 0
    for x in xrange(4096):
        data = render(x)
        ibuffer[index:index+20] = data
        index += 20
    return ibuffer

# using numpy.concat on a list of ibuffers
def create_array_4():
    ibuffer_concat = []
    for x in xrange(4096):
        data = render(x)
        # converting makes a diff!
        data = numpy.array(data, dtype=numpy.float32)
        ibuffer_concat.append(data)
    return numpy.concatenate(ibuffer_concat)

# using numpy array.put
def create_array_5():
    if USE_STATIC_BUFFER:
        ibuffer = STATIC_BUFFER
    else:
        ibuffer = numpy.empty(4096*20, dtype=numpy.float32)
    index = 0
    for x in xrange(4096):
        data = render(x)
        ibuffer.put( xrange(index, index+20), data)
        index += 20
    return ibuffer

# using ctype array
CTYPES_ARRAY = ctypes.c_float*(4096*20)
def create_array_6():
    ibuffer = []
    for x in xrange(4096):
        data = render(x)
        ibuffer += data
    ibuffer = CTYPES_ARRAY(*ibuffer)
    return ibuffer

def equals(a, b):

    for i,v in enumerate(a):
        if b[i] != v:
            return False
    return True



if __name__ == "__main__":
    number = 100

    # if random, don't try and compare arrays
    if not USE_RANDOM and not USE_STATIC_BUFFER:
        a =  create_array_1()
        assert equals( a, create_array_2() )
        assert equals( a, create_array_3() )
        assert equals( a, create_array_4() )
        assert equals( a, create_array_5() )
        assert equals( a, create_array_6() )

    t = timeit.Timer( "testing2.create_array_1()", "import testing2" )
    print 'from list:', t.timeit(number)/number*1000.0, 'ms'

    t = timeit.Timer( "testing2.create_array_2()", "import testing2" )
    print 'array: indexed:', t.timeit(number)/number*1000.0, 'ms'

    t = timeit.Timer( "testing2.create_array_3()", "import testing2" )
    print 'array: slicing:', t.timeit(number)/number*1000.0, 'ms'

    t = timeit.Timer( "testing2.create_array_4()", "import testing2" )
    print 'array: concat:', t.timeit(number)/number*1000.0, 'ms'

    t = timeit.Timer( "testing2.create_array_5()", "import testing2" )
    print 'array: put:', t.timeit(number)/number*1000.0, 'ms'

    t = timeit.Timer( "testing2.create_array_6()", "import testing2" )
    print 'ctypes float array:', t.timeit(number)/number*1000.0, 'ms'

使用随机数计时：

^{pr2}$

编辑说明：更改代码为每个渲染生成随机数，以减少对象重用，并每次模拟不同的顶点。

编辑注释2：添加了静态缓冲区和强制全部numpy.空的（）使用dtype=float32

注1/2010年4月：仍然没有进展，我真的觉得没有任何答案能够解决问题。

Answer 1

我知道这看起来很奇怪，但你试过了吗？在

Answer 2

numpy的好处不是通过简单地将数据存储在数组中实现的，而是通过跨数组中的多个元素执行操作来实现的，而不是逐个执行。您的示例可以简化并优化为这个简单的解决方案，并具有数量级的加速：

numpy.random.standard_normal(4096*20)

……这不是很有帮助，但它确实暗示了成本在哪里。在

这里是一个渐进式的改进，通过消除4096个元素的迭代，它优于list append解决方案（但只是稍微好一点）。在

^{pr2}$

。。。但不是我们想要的加速。在

真正的节省将通过重新计算渲染例程来实现，这样您就不必为最终放入缓冲区的每个值创建一个python对象。特克斯左，特克斯右…等等从哪里来？它们是计算出来的还是读出来的？在

Answer 3

创建_array_1的速度快得多的原因似乎是（python）列表中的项都指向同一个对象。如果您测试：

print (ibuffer[0] is ibuffer[1])

在子程序中。在create_array_1中，这是真的（在创建numpy数组之前），而在create_array_2中，这个值总是为false。我想这意味着数组转换中的数据转换步骤只需在create_array_1中发生一次，而在create_array_2中只需执行4096次。在

如果这是原因，我想如果你让渲染生成随机数据，计时会有所不同。Create_array_5最慢，因为每次向末尾添加数据时，它都会生成一个新数组。在