我们知道python由于全局解释器锁的存在，在多线程编程时，同时只能有一个线程进入解释器代码执行，无法发挥多核的能力，尤其在代码是CPU密集型的情况下,性能会很糟糕。
特别是大部分的深度学习项目，普遍使用python来实现，虽然深度学习主要的运算是神经网络的运算，一般在GPU执行，但是很情况下还会涉及一些搜索类的算法，如：viterbi算法，是设计CPU密集运算的。
解决该问题的思路是可以使用C语言扩展模块来实现CPU密集部分的代码，在调用C语言模块时可以释放全局解释器锁，使该部分代码可以支持多核并行。这样即发挥了python编程开发效率高的优势，又解决了部分需要并发来提升性能的问题。
python本身使用C语言实现,天然预留了实现C语言扩展模块的编程接口。然而使用原生接口来实现该扩展，比较麻烦，尤其在深学习项目中，涉及到numpy类型的参数传递，很繁琐。
我们在寻找方案过程中，找到了Cython这个项目。Cython除了充分支持python原生语言，还实现了一套扩展的语言，在扩展语言部分可以通过特殊变量的声明，提升一些代码效率。我们主要关注的是Cython使编写C扩展非常方便，特别是numpy参数的传递，全局解释器锁的释放。
下面列一个简单例子： 假如深度学项目中生成一个numpy类型二维数组：scores，第一维为时间序列，第二维位应用softmax后的多类概率分布。现在要使用viterbi搜索一累积概率最大路径。 用C实现一个搜索函数： void get_maxscore_path(float scores*, int time_len, int n_len, int path); 下面需要封装一个python模块供python代码调用。
cimport cython
cimport numpy as np
import numpy as np
@cython.boundscheck(False)
@cython.wraparound(False)
cpdef void warp_get_maxscore_path(float[:,:] scores, int time_len, int n_len, int[:] path) nogil:
with nogil:
return get_maxscore_path(&scores[0,0], time_len, n_len, &path[0])使用setuptools编译python模块，即可在python代码中直调用，二维numpy数组直接转为C语言的二维数组。
