让我们从三个dtype=np.double
数组开始。使用用icc
编译并链接到英特尔mkl
的numpy 1.7.1在英特尔CPU上执行计时。使用不带mkl
的gcc
编译的具有numpy 1.6.1的AMD cpu也被用来验证时序。请注意,计时与系统大小几乎成线性关系,并不是由于numpy函数if
语句产生的小开销造成的,这些差异将以微秒而不是毫秒为单位显示:
arr_1D=np.arange(500,dtype=np.double)
large_arr_1D=np.arange(100000,dtype=np.double)
arr_2D=np.arange(500**2,dtype=np.double).reshape(500,500)
arr_3D=np.arange(500**3,dtype=np.double).reshape(500,500,500)
首先让我们看一下np.sum
函数:
np.all(np.sum(arr_3D)==np.einsum('ijk->',arr_3D))
True
%timeit np.sum(arr_3D)
10 loops, best of 3: 142 ms per loop
%timeit np.einsum('ijk->', arr_3D)
10 loops, best of 3: 70.2 ms per loop
权力:
np.allclose(arr_3D*arr_3D*arr_3D,np.einsum('ijk,ijk,ijk->ijk',arr_3D,arr_3D,arr_3D))
True
%timeit arr_3D*arr_3D*arr_3D
1 loops, best of 3: 1.32 s per loop
%timeit np.einsum('ijk,ijk,ijk->ijk', arr_3D, arr_3D, arr_3D)
1 loops, best of 3: 694 ms per loop
外部产品:
np.all(np.outer(arr_1D,arr_1D)==np.einsum('i,k->ik',arr_1D,arr_1D))
True
%timeit np.outer(arr_1D, arr_1D)
1000 loops, best of 3: 411 us per loop
%timeit np.einsum('i,k->ik', arr_1D, arr_1D)
1000 loops, best of 3: 245 us per loop
以上所有这些都是np.einsum
的两倍快。这些应该是苹果与苹果的比较,因为所有的东西都是特定于dtype=np.double
的。我希望在这样的操作中速度会更快:
np.allclose(np.sum(arr_2D*arr_3D),np.einsum('ij,oij->',arr_2D,arr_3D))
True
%timeit np.sum(arr_2D*arr_3D)
1 loops, best of 3: 813 ms per loop
%timeit np.einsum('ij,oij->', arr_2D, arr_3D)
10 loops, best of 3: 85.1 ms per loop
对于np.inner
、np.outer
、np.kron
和np.sum
,Einsum的速度似乎至少是axes
选择的两倍。主要的例外是np.dot
,因为它从BLAS库中调用DGEMM。那么,为什么np.einsum
比其他同等的numpy函数要快呢?
DGEMM的完整性案例:
np.allclose(np.dot(arr_2D,arr_2D),np.einsum('ij,jk',arr_2D,arr_2D))
True
%timeit np.einsum('ij,jk',arr_2D,arr_2D)
10 loops, best of 3: 56.1 ms per loop
%timeit np.dot(arr_2D,arr_2D)
100 loops, best of 3: 5.17 ms per loop
主要的理论来自@sebergs的评论,即np.einsum
可以利用SSE2,但numpy的ufuncs直到numpy 1.8才能使用(参见change log)。我相信这是正确的答案,但还无法确认。一些有限的证据可以通过改变输入数组的数据类型和观察速度差异以及不是每个人都观察到相同的计时趋势的事实来找到。
https://stackoverflow.com/questions/18365073
复制相似问题