Python Numpy数据类型性能
所以我做了一些测试，得到了奇怪的结果。
代码：
import numpy as np
import timeit
setup = """
import numpy as np
A = np.ones((1000,1000,3), dtype=datatype)
"""
datatypes = "np.uint8", "np.uint16", "np.uint32", "np.uint64", "np.float16", "np.float32", "np.float64"
stmt1 = """
A = A * 255
A = A / 255
A = A - 1
A = A + 1
"""
#~ np.uint8 : 1.04969205993
#~ np.uint16 : 1.19391073202
#~ np.uint32 : 1.37279821351
#~ np.uint64 : 2.99286961148
#~ np.float16 : 9.62375889588
#~ np.float32 : 0.884994368045
#~ np.float64 : 0.920502625252
stmt2 = """
A *= 255
A /= 255
A -= 1
A += 1
"""
#~ np.uint8 : 0.959514497259
#~ np.uint16 : 0.988570167659
#~ np.uint32 : 0.963571471946
#~ np.uint64 : 2.07768933333
#~ np.float16 : 9.40085450056
#~ np.float32 : 0.882363984225
#~ np.float64 : 0.910147440048
stmt3 = """
A = A * 255 / 255 - 1 + 1
"""
#~ np.uint8 : 1.05919667881
#~ np.uint16 : 1.20249978404
#~ np.uint32 : 1.58037744789
#~ np.uint64 : 3.47520357571
#~ np.float16 : 10.4792515701
#~ np.float32 : 1.29654744484
#~ np.float64 : 1.80735079168
stmt4 = """
A[:,:,:2] *= A[:,:,:2]
"""
#~ np.uint8 : 1.23270964172
#~ np.uint16 : 1.3260807837
#~ np.uint32 : 1.32571002402
#~ np.uint64 : 1.76836543305
#~ np.float16 : 2.83364821535
#~ np.float32 : 1.31282323872
#~ np.float64 : 1.44151875479
stmt5 = """
A[:,:,:2] = A[:,:,:2] * A[:,:,:2]
"""
#~ np.uint8 : 1.38166223494
#~ np.uint16 : 1.49569114821
#~ np.uint32 : 1.53105315419
#~ np.uint64 : 2.03457943366
#~ np.float16 : 3.01117795524
#~ np.float32 : 1.51807271679
#~ np.float64 : 1.7164808877
stmt6 = """
A *= 4
A /= 4
"""
#~ np.uint8 : 0.698176392658
#~ np.uint16 : 0.709560468038
#~ np.uint32 : 0.701653066443
#~ np.uint64 : 1.64199069295
#~ np.float16 : 4.86752675499
#~ np.float32 : 0.421001675475
#~ np.float64 : 0.433056710408
stmt7 = """
np.left_shift(A, 2, A)
np.right_shift(A, 2, A)
"""
#~ np.uint8 : 0.381521115341
#~ np.uint16 : 0.383545967785
#~ np.uint32 : 0.386147272415
#~ np.uint64 : 0.665969478824
for stmt in [stmt1, stmt2, stmt3, stmt4, stmt5, stmt6, stmt7]:
print stmt
for d in datatypes:
s = setup.replace("datatype", d)
T = timeit.Timer(stmt=stmt, setup=s)
print d,":", min(T.repeat(number=30))
print
print为什么float16这么慢？为什么float32这么快？它通常比整数运算快。
如果您有任何相关的性能技巧，我将很高兴听到他们。
这是在Windows8 64位上的python 2.6.6 32位。Numpy 1.6，Numpy 1.7的数字相似。现在将测试MKL优化版本：http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy
编辑:事实证明，MKL版本在某些浮点运算情况下会稍微快一些，但对于整数运算，有时会慢得多：
stmt2 = """
A *= 255
A /= 255
A -= 1
A += 1
"""
#np1.6
#~ np.uint8 : 0.959514497259
#~ np.uint16 : 0.988570167659
#~ np.uint32 : 0.963571471946
#~ np.uint64 : 2.07768933333
#~ np.float16 : 9.40085450056
#~ np.float32 : 0.882363984225
#~ np.float64 : 0.910147440048
# np1.7
#~ np.uint8 : 0.979
#~ np.uint16 : 1.010
#~ np.uint32 : 0.972
#~ np.uint64 : 2.081
#~ np.float16 : 9.362
#~ np.float32 : 0.882
#~ np.float64 : 0.918
# np1.7 mkl
#~ np.uint8 : 1.782
#~ np.uint16 : 1.145
#~ np.uint32 : 1.265
#~ np.uint64 : 2.088
#~ np.float16 : 9.029
#~ np.float32 : 0.800
#~ np.float64 : 0.866回答 2
Stack Overflow用户
发布于 2013-03-11 22:33:44
我猜半精度算术(float16)是必须由numpy“模拟”的东西，因为在底层C语言中(以及在适当的处理器指令中)没有对应的类型。另一方面，使用本机数据类型可以非常高效地完成单精度(float32)和双精度(float64)操作。
由于单精度运算的良好性能:现代处理器具有用于向量化浮点运算(例如AVX)的高效单元，因为它也是良好的多媒体性能所必需的。
Stack Overflow用户
发布于 2013-03-11 22:38:39
大多数常见的CPU都不直接支持16位浮点数(尽管显卡供应商显然涉及到这种数据类型，所以我希望GPU最终会支持它)。我希望他们以一种相对缓慢的方式被效仿。谷歌告诉我，float16 was once hardware-dependent和一些人想在不支持它的硬件上模拟它，尽管我没有发现任何关于这是否真的发生的事情。
另一方面，32位浮点数不仅是本机支持的，您还可以使用SIMD指令集扩展向量化它们上的许多操作，这大大减少了您基准测试的那种操作的开销。唯一的例外是数据的混洗，但在这种情况下，float32与int32不相上下，两者都可以使用相同的SIMD指令来加载和存储更大的内存块。
虽然也有用于整数数学的SIMD指令，但它们不太常见(例如，请参阅在比float版本更晚的版本中引入它们)，而且通常不那么复杂。我的猜测是(您的构建) NumPy没有对您来说较慢的操作的SIMD实现。或者，整数运算可能没有优化:浮点数用于许多易于矢量化的应用程序中，这些应用程序的性能非常重要(例如图像/媒体/视频编码和解码)，因此它们可能会更优化。
https://stackoverflow.com/questions/15340781
复制相似问题
腾讯云开发者
