我對(duì)為什么這段代碼感到困惑：start = time.time()for i in range(1000000): _ = 1 - np.log(X)print(time.time()-start)執(zhí)行速度比這個(gè)實(shí)現(xiàn)快：start = time.time()for i in range(1000000): _ = np.subtract(np.ones_like(X), np.log(X))print(time.time()-start)我的理解是它應(yīng)該是相反的，因?yàn)樵诘诙€(gè)實(shí)現(xiàn)中我正在利用矢量化提供的加速，因?yàn)樗軌蛲瑫r(shí)操作 X 中的元素而不是順序操作，這就是我假設(shè)第一個(gè)實(shí)現(xiàn)的方式功能。有人可以為我解釋一下嗎，因?yàn)槲艺娴暮芾Щ?？謝謝！
4 回答
有只小跳蛙
TA貢獻(xiàn)1824條經(jīng)驗(yàn) 獲得超8個(gè)贊
您的代碼的兩個(gè)版本都是矢量化的。您為嘗試向量化第二個(gè)版本而創(chuàng)建的數(shù)組只是開銷。
NumPy 向量化不是指硬件向量化。如果編譯器足夠聰明，它最終可能會(huì)使用硬件矢量化，但 NumPy 并沒有明確使用 AVX 或任何東西。
NumPy 向量化是指編寫一次對(duì)整個(gè)數(shù)組進(jìn)行操作的 Python 級(jí)代碼，而不是使用一次對(duì)多個(gè)操作數(shù)進(jìn)行操作的硬件指令。它是 Python 級(jí)別的向量化，而不是機(jī)器語(yǔ)言級(jí)別的向量化。與編寫顯式循環(huán)相比，這樣做的好處是 NumPy 可以在 C 級(jí)循環(huán)而不是 Python 中執(zhí)行工作，從而避免了大量的動(dòng)態(tài)調(diào)度、裝箱、拆箱、遍歷字節(jié)碼評(píng)估循環(huán)等。
從這個(gè)意義上說(shuō)，您的代碼的兩個(gè)版本都是矢量化的，但是第二個(gè)版本在寫入和讀取巨大的數(shù)組時(shí)浪費(fèi)了大量?jī)?nèi)存和內(nèi)存帶寬。
此外，即使我們談?wù)摰氖怯布?jí)矢量化，該1 -版本也與其他版本一樣適用于硬件級(jí)矢量化。您只需將標(biāo)量加載1到向量寄存器的所有位置并正常進(jìn)行。與第二個(gè)版本相比，它涉及的內(nèi)存?zhèn)鬏斠俚枚?，因此可能仍然比第二個(gè)版本運(yùn)行得更快。
楊魅力
TA貢獻(xiàn)1811條經(jīng)驗(yàn) 獲得超6個(gè)贊
時(shí)間基本相同。正如其他人指出的那樣，沒有任何類型的硬件或多核并行化，只是解釋 Python 和編譯numpy函數(shù)的混合。
In [289]: x = np.ones((1000,1000))
In [290]: timeit 1-np.log(x)
15 ms ± 1.94 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [291]: timeit np.subtract(np.ones_like(x), np.log(x))
18.6 ms ± 1.89 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
取出np.ones_like定時(shí)循環(huán)：
In [292]: %%timeit y = np.ones_like(x)
...: np.subtract(y,np.log(x))
...:
...:
15.7 ms ± 441 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2/3 的時(shí)間花在log函數(shù)上：
In [303]: timeit np.log(x)
10.7 ms ± 211 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [306]: %%timeit y=np.log(x)
...: np.subtract(1, y)
3.77 ms ± 5.16 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
生成方式的變化1只是時(shí)間的一小部分。
使用“廣播”，使用標(biāo)量和數(shù)組或數(shù)組和數(shù)組進(jìn)行數(shù)學(xué)運(yùn)算同樣容易。
，1無(wú)論是標(biāo)量（實(shí)際上是一個(gè)形狀為 的數(shù)組()），被廣播到 (1,1)，然后到 (1000,1000)，所有這些都沒有復(fù)制。
aluckdog
TA貢獻(xiàn)1847條經(jīng)驗(yàn) 獲得超7個(gè)贊
我當(dāng)然不是 numpy 專家，但我的猜測(cè)是第一個(gè)例子只使用一個(gè)向量，第二個(gè)例子首先創(chuàng)建了一個(gè) 1 的向量，然后減去。后者需要雙倍的內(nèi)存和一個(gè)額外的步驟來(lái)創(chuàng)建 1 的向量。
在 x86 CPU 上，兩者都可能是某種 AVX 指令，一次可以處理 4 個(gè)數(shù)字。當(dāng)然，除非您使用的是 SIMD 寬度大于向量長(zhǎng)度的花哨 CPU，并且該 CPU 由 numpy 支持。
慕桂英546537
TA貢獻(xiàn)1848條經(jīng)驗(yàn) 獲得超10個(gè)贊
案例 A 在 mpu 上僅運(yùn)行一個(gè)迭代器，而案例 B 在兩個(gè)與 X 一樣大的向量上具有兩個(gè)迭代器，如果未優(yōu)化，則需要在線程中進(jìn)行大量上下文切換。案例 B 是案例 A 的更通用版本......
添加回答
舉報(bào)
0/150
提交
取消