Цитонизированная функция неожиданно медленная

Я хотел ускорить функцию, которую часто использую, и думал об использовании cython. Однако, попробовав все возможные оптимизации cython, которые мне удалось найти в документации, код cython примерно в 6 раз медленнее, чем функция python+numpy. Разочаровывает!

Это мой тестовый код: (forward1 — функция python, forward2 — функция cython)

#geometry.py
def forward1(points, rotation, translation):
    '''points are in columns'''
    return np.dot(rotation, points - translation[:, np.newaxis])

#geometry.pyx
import numpy as np
cimport numpy as np
cimport cython

@cython.boundscheck(False)
@cython.wraparound(False)
@cython.nonecheck(False)
cdef np.float64_t[:,:] forward2(np.float64_t[:,:] points, np.float64_t[:,:] rotation, np.float64_t[:] translation):
    '''points are in columns'''
    cdef unsigned int I, J
    I = points.shape[0]
    J = points.shape[1]
    cdef np.float64_t[:,:] tmp = np.empty((I, J), dtype=np.float64)
    cdef unsigned int i
    for i in range(J):
        tmp[0, i] = points[0, i] - translation[0]        
        tmp[1, i] = points[1, i] - translation[1]        
    cdef np.float64_t[:,:] result = np.dot(rotation, tmp)
    return result

def test_forward2(points, rotation, translation):
    import timeit
    cdef np.float64_t[:,:] points2 = points
    cdef np.float64_t[:,:] rotation2 = rotation
    cdef np.float64_t[:] translation2 = translation
    t = timeit.Timer(lambda: forward2(points2, rotation2, translation2))
    print min(t.repeat(3, 10))

и затем я время это:

t = timeit.Timer(lambda: forward1(points, rotation, translation))
print min(t.repeat(3, 10))
0.000368164520751

test_forward2(points, rotation, translation)
0.0023365181969

Могу ли я что-нибудь сделать с кодом cython, чтобы сделать его быстрее?

Если forward1 нельзя ускорить в cython, могу ли я надеяться на ускорение с помощью weave?

ИЗМЕНИТЬ:

Просто для протокола: еще одна вещь, которую я пытался ускорить, - это передача точек в порядке фортрана, поскольку мои точки хранятся в столбцах, и их довольно много. Я также определяю локальный tmp как порядок fortran. Я думаю, что часть вычитания функции должна быть быстрее, но numpy.dot, похоже, требует вывода порядка C (в любом случае, чтобы обойти это?), Так что в целом с этим тоже нет ускорения. Я также попытался переставить точки так, чтобы часть вычитания выполнялась быстрее в порядке C, но кажется, что скалярное произведение по-прежнему является самой дорогой частью.

Кроме того, я заметил, что numpy.dot не может использовать представления памяти в качестве аргумента out, даже если это порядок C, это ошибка?