为什么a.dot(b)比a@b快，尽管Numpy推荐a@b
为什么a.dot(b)比a@b快，尽管Numpy推荐a@b
提问于 2018-08-28 16:27:12
根据这个问题和numpy的答案，与a.dot(b)相比，二维阵列的矩阵乘法最好是通过a @ b或numpy.matmul(a,b)来完成。
如果a和b都是二维数组，则是矩阵乘法，但首选使用matmul或a@b。
我做了下面的基准，并发现了相反的结果。
问题:我的基准测试有什么问题吗？如果没有，为什么Numpy不推荐a.dot(b)，因为它比a@b或numpy.matmul(a,b)更快
基准使用python3.5numpy 1.15.0。
$ pip3 list | grep numpy
numpy 1.15.0
$ python3 --version
Python 3.5.2基准代码：
import timeit
setup = '''
import numpy as np
a = np.arange(16).reshape(4,4)
b = np.arange(16).reshape(4,4)
'''
test = '''
for i in range(1000):
a @ b
'''
test1 = '''
for i in range(1000):
np.matmul(a,b)
'''
test2 = '''
for i in range(1000):
a.dot(b)
'''
print( timeit.timeit(test, setup, number=100) )
print( timeit.timeit(test1, setup, number=100) )
print( timeit.timeit(test2, setup, number=100) )结果：
test : 0.11132473500038031
test1 : 0.10812476599676302
test2 : 0.06115105600474635添加结果：
>>> a = np.arange(16).reshape(4,4)
>>> b = np.arange(16).reshape(4,4)
>>> a@b
array([[ 56, 62, 68, 74],
[152, 174, 196, 218],
[248, 286, 324, 362],
[344, 398, 452, 506]])
>>> np.matmul(a,b)
array([[ 56, 62, 68, 74],
[152, 174, 196, 218],
[248, 286, 324, 362],
[344, 398, 452, 506]])
>>> a.dot(b)
array([[ 56, 62, 68, 74],
[152, 174, 196, 218],
[248, 286, 324, 362],
[344, 398, 452, 506]])回答 2
Stack Overflow用户
回答已采纳
发布于 2018-08-28 16:34:06
你的前提是不正确的。您应该使用更大的矩阵来度量性能，以避免函数调用使微不足道的计算相形见绌。
使用Python3.60/ NumPy 1.11.3，您将发现，正如解释过的这里一样，@调用np.matmul，两者都优于np.dot。
import numpy as np
n = 500
a = np.arange(n**2).reshape(n, n)
b = np.arange(n**2).reshape(n, n)
%timeit a.dot(b) # 134 ms per loop
%timeit a @ b # 71 ms per loop
%timeit np.matmul(a,b) # 70.6 ms per loop还请注意，正如在文档中所解释的，np.dot在功能上不同于@ / np.matmul。特别是，它们对维数大于2的矩阵的处理方式不同。
Stack Overflow用户
发布于 2018-08-28 16:35:38
matmul和dot不做同样的事情。它们的行为与3D数组和标量不同。文档可能会指出，matmul是首选的，因为它更“清晰”和一般，不一定出于性能的原因。如果文档能更清楚地说明为什么其中一种比另一种更好，那就太好了。
正如@jpp所指出的那样，matmul的性能实际上不一定更差。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/52062496
复制相关文章
相似问题
腾讯云开发者
