第一次尝试
使用
scipy.weave和SSE2内在函数会带来一点改进。第一次调用要慢一些，因为需要从磁盘加载代码并进行缓存，随后的调用会更快：
import numpyimport timefrom os import urandomfrom scipy import weaveSIZE = 2**20def faster_slow_xor(aa,bb): b = numpy.fromstring(bb, dtype=numpy.uint64) numpy.bitwise_xor(numpy.frombuffer(aa,dtype=numpy.uint64), b, b) return b.tostring()pre = """const __m128i* pa = (__m128i*)a;const __m128i* pend = (__m128i*)(a + arr_size);__m128i* pb = (__m128i*)b;__m128i xmm1, xmm2;while (pa < pend) { xmm1 = _mm_loadu_si128(pa); // must use unaligned access xmm2 = _mm_load_si128(pb); // numpy will align at 16 byte boundaries _mm_store_si128(pb, _mm_xor_si128(xmm1, xmm2)); ++pa; ++pb;}"""def inline_xor(aa, bb): a = numpy.frombuffer(aa, dtype=numpy.uint64) b = numpy.fromstring(bb, dtype=numpy.uint64) arr_size = a.shape[0] weave.inline(pre, ["a", "b", "arr_size"], headers = ['"emmintrin.h"']) return b.tostring()第二次尝试
考虑到注释，我重新检查了代码，以查明是否可以避免复制。原来我读错了字符串对象的文档，所以这是我的第二次尝试：
support = """#define ALIGNMENT 16static void memxor(const char* in1, const char* in2, char* out, ssize_t n) { const char* end = in1 + n; while (in1 < end) { *out = *in1 ^ *in2; ++in1; ++in2; ++out; }}"""pre2 = """PyObject* res = PyString_FromStringAndSize(NULL, real_size);const ssize_t tail = (ssize_t)PyString_AS_STRING(res) % ALIGNMENT;const ssize_t head = (ALIGNMENT - tail) % ALIGNMENT;memxor((const char*)a, (const char*)b, PyString_AS_STRING(res), head);const __m128i* pa = (__m128i*)((char*)a + head);const __m128i* pend = (__m128i*)((char*)a + real_size - tail);const __m128i* pb = (__m128i*)((char*)b + head);__m128i xmm1, xmm2;__m128i* pc = (__m128i*)(PyString_AS_STRING(res) + head);while (pa < pend) { xmm1 = _mm_loadu_si128(pa); xmm2 = _mm_loadu_si128(pb); _mm_stream_si128(pc, _mm_xor_si128(xmm1, xmm2)); ++pa; ++pb; ++pc;}memxor((const char*)pa, (const char*)pb, (char*)pc, tail);return_val = res;Py_DECREF(res);"""def inline_xor_nocopy(aa, bb): real_size = len(aa) a = numpy.frombuffer(aa, dtype=numpy.uint64) b = numpy.frombuffer(bb, dtype=numpy.uint64) return weave.inline(pre2, ["a", "b", "real_size"], headers = ['"emmintrin.h"'], support_pre = support)区别在于字符串是在C代码内部分配的。不可能按照SSE2指令的要求将其对齐在16字节的边界上，因此，使用字节访问来复制开头和结尾未对齐的内存区域。
无论如何，使用numpy数组传递输入数据，因为
weave坚持将Python
str对象复制到
std::strings。
frombuffer不会复制，因此很好，但是内存未对齐16字节，因此我们需要使用
_mm_loadu_si128而不是更快的
_mm_load_si128。
而不是使用
_mm_store_si128，而是使用
_mm_stream_si128，它可以确保所有写入均尽快流式传输到主内存中-
这样，输出数组不会耗尽宝贵的缓存行。
时机
至于时间安排，
slow_xor第一次编辑中的条目指的是我的改进版本（内联按位xor，
uint64），我消除了这种混乱。
slow_xor指的是来自原始问题的代码。所有计时都完成了1000次运行。
slow_xor
：1.85秒（1倍）faster_slow_xor
：1.25s（1.48x）inline_xor
：0.95秒（1.95倍）inline_xor_nocopy
：0.32s（5.78x）
该代码是使用gcc 4.4.3编译的，我已经验证了编译器实际上使用了SSE指令。
