我非常需要用python,numpy来优化性能。
我的数据是这样的,
a1 = np.array(np.random.random(500000) * 1000)
a2 = np.array(np.random.random(500000) * 5000)
使用不同的ndarray a1,a2,我想计算最小-最大间隙。
numpy:
np.max(a1) - np.min(a2)
numba:
@nb.jit(nb.float64(nb.float64, nb.float64), cache=True, fastmath=True)
def nb_max_min(s1, s2):
return np.max(s1) - np.min(s2)
但是,我得到了令人失望的结果
min-max(numba): 1.574092000000249 ms
max-max(numpy): 1.4246419999999205 ms
如果可能的话,我想在~0.xx毫秒内进行更快的计算。如何克服这种优化?
更新
我只测量了max - min部分。我的计时代码在这里。
import time
def timing(label, fn):
t0 = time.perf_counter()
fn()
t1 = time.perf_counter()
print('{}: {} ms'.format(label, (t1 - t0) * 1000))
我所有的代码都在这里
@nb.jit(nb.float64(nb.float64, nb.float64), cache=True, fastmath=True)
def nb_max_min(s1, s2):
return np.max(s1) - np.min(s2)
a1 = np.random.random(periods) * 2000
a2 = np.random.random(periods) * 1000
timing('nb_min_max', lambda: nb_max_min(a1, a2))
timing('nb_min_max', lambda: nb_max_min(a1, a2))
timing('nb_min_max', lambda: nb_max_min(a1, a2))
timing('max-max', lambda: np.max(a1) - np.min(a2))
timing('max-max', lambda: np.max(a1) - np.min(a2))
timing('max-max', lambda: np.max(a1) - np.min(a2))
这就是结果
nb_min_max: 0.728947999999896 ms
nb_min_max: 1.0030130000000526 ms
nb_min_max: 1.3124690000001493 ms
max-max: 1.662436000000156 ms
max-max: 0.9315169999997153 ms
max-max: 1.9570019999992638 ms
我也尝试过timeit
%timeit np.max(a1) - np.min(a2)
475 µs ± 9.72 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
我认为这是使用python最快的方法。Numpy或numba的结果没有显著差异。正如user2699评论的那样,fortran是优化的最后机会。
发布于 2018-07-26 05:38:41
你是如何获得这些非常慢的计时的?
代码
import numba as nb
import numpy as np
import time
a1 = np.array(np.random.random(500000) * 1000)
a2 = np.array(np.random.random(500000) * 5000)
@nb.jit(nb.float64(nb.float64[:], nb.float64[:]),parallel=True,fastmath=True)
def nb_max_min(s1, s2):
return np.max(s1) - np.min(s2)
def np_max_min(s1,s2):
return np.max(s1) - np.min(s2)
t1=time.time()
for i in range(10000):
res_1=np_max_min(a1, a2)
print(str((time.time()-t1)/10)+ ' ms')
t1=time.time()
for i in range(10000):
res_2=nb_max_min(a1, a2)
print(str((time.time()-t1)/10)+ ' ms')
np.allclose(res_1,res_2)
结果
Numpy: 0.298ms (=26.8 GB/s)
Numba: 0.243ms (=33 GB/s)
讨论
这些简单的操作是内存有限的。最大值。我的酷睿i7第四代的内存吞吐量是25,6 L3/s。Numba甚至大大超过了内存带宽,因为缓存效应(问题或多或少适合于L3缓存)实际代码中的.The计时可能会更低,因为输入数组可能还没有在L3缓存中。
发布于 2018-07-26 00:53:25
在ipython中使用'%timeit‘魔术,我得到了以下结果:
数组生成:
%%timeit
a1 = np.array(np.random.random(500000) * 1000)
a2 = np.array(np.random.random(500000) * 5000)
% 23.3 ms
最小-最大间隙:
%%timeit
np.max(a1) - np.min(a2)
% 444 µs
我认为这已经很快了,也许你测量了一些额外的开销,就像@juvian建议的那样?
https://stackoverflow.com/questions/51523034
复制相似问题