Как оптимизировать эту функцию Cython?

У меня есть модуль Cython:

#!python
#cython: language_level=3, boundscheck=False, nonecheck=False

import numpy as np
cimport numpy as np

def portfolio_s2( double[:,:] cv, double[:] weights ):    
    """ Calculate portfolio variance"""
    cdef double s0
    cdef double s1
    cdef double s2
    s0 = 0.0
    for i in range( weights.shape[0] ):
        s0 += weights[i]*weights[i]*cv[i,i]

    s1 = 0.0
    for i in range( weights.shape[0]-1 ):
        s2 = 0.0
        for j in range( i+1, weights.shape[0] ):
            s2 += weights[j]*cv[i,j]
        s1+= weights[i]*s2
    return s0+2.0*s1 

У меня есть эквивалентная функция в Numba:

@nb.jit( nopython=True )
def portfolio_s2( cv, weights ):
    """ Calculate portfolio variance using numba """
    s0 = 0.0
    for i in range( weights.shape[0] ):
        s0 += weights[i]*weights[i]*cv[i,i]

    s1 = 0.0
    for i in range( weights.shape[0]-1 ):
        s2 = 0.0
        for j in range( i+1, weights.shape[0] ):
            s2 += weights[j]*cv[i,j]
        s1+= weights[i]*s2
    return s0+2.0*s1 

Для ковариационной матрицы размера 10 версия Numba работает в 20 раз быстрее, чем Cython. Я предполагаю, что это связано с чем-то, что я делаю неправильно в Cython, но я новичок в Cython и не знаю, что делать.

Использование оптимизации Cel...

Я написал скрипт для проверки кода Cel против версии Numba:

    sizes = [ 2, 3, 4, 6, 8, 12, 16, 32, 48, 64, 96, 128, 196, 256 ]
    cython_timings = []
    numba_timings = []
    for size in sizes:
        X = np.random.randn(100,size)
        cv = np.cov( X, rowvar=0 )
        w  = np.ones( cv.shape[0] )

        num_tests=10

        pm.portfolio_s2( cv, w )
        with Timer( 'Cython' ) as cython_timer:
            for _ in range( num_tests ):
                s2_cython = pm.portfolio_s2_opt( cv, w )
        cython_timings.append( cython_timer.interval )

        helpers.portfolio_s2( cv, w )
        with Timer( 'Numba' ) as numba_timer:
            for _ in range( num_tests ):
                s2_numba = helpers.portfolio_s2( cv, w )
        numba_timings.append( numba_timer.interval )

    plt.plot( sizes, cython_timings, label='Cython' )
    plt.plot( sizes, numba_timings, label='Numba' )
    plt.title( 'Execution Time By Covariance Size' )
    plt.legend()
    plt.show()

Результирующая диаграмма выглядит следующим образом:

Диаграмма показывает, что для небольших ковариационных матриц Numba работает лучше. Но по мере увеличения размера ковариационной матрицы Cython лучше масштабируется и в конечном итоге превосходит его с большим отрывом.

Есть ли какие-то накладные расходы на вызов функций, из-за которых Cython имеет такую ​​​​плохую производительность для небольших матриц? Мой вариант использования этого кода будет включать вычисление ковариаций для множества небольших матриц ковариаций. Поэтому мне нужна лучшая производительность для маленьких матриц, а не для больших.