MATLAB 比 Python 快吗？

Question

我想使用Biot-Savart 定律计算一些导体的磁场，并且我想使用 1000x1000x1000 矩阵。 在我使用 MATLAB 之前，但现在我想使用 Python。 Python 比 MATLAB 慢吗？ 如何让 Python 更快？

编辑：也许最好的方法是用 C/C++ 计算大数组，然后将它们传输到 Python。 我想用VPython可视化。

EDIT2：在我的情况下哪个更好：C 还是 C++？

Answer 1

您可能会在此链接的底部找到一些有用的结果

http://wiki.scipy.org/PerformancePython

从介绍来看，

weave 与 NumPy、Pyrex、Psyco、Fortran（77 和 90）和 C++ 的比较，用于求解拉普拉斯方程。

它还比较了 MATLAB，似乎显示出与使用 Python 和NumPy相似的速度。

当然这只是一个具体的例子，您的应用程序可能允许更好或更差的性能。 在两者上运行相同的测试并进行比较是没有害处的。

您还可以使用优化的库来编译 NumPy，例如ATLAS ，它提供了一些BLAS / LAPACK例程。 这些应该具有与 MATLAB 相当的速度。

我不确定 NumPy 下载是否已经针对它构建，但我认为如果你编译 NumPy，ATLAS 会根据你的系统调整库，

http://www.scipy.org/Installing_SciPy/Windows

该链接包含有关 Windows 平台下所需内容的更多详细信息。

编辑：

如果您想找出性能更好的 C 或 C++，可能值得提出一个新问题。 尽管从上面的链接来看，C++ 的性能最好。 其他解决方案也非常接近，即 Pyrex、Python/Fortran（使用 f2py）和内联 C++。

我做过的唯一 C++ 下的矩阵代数是使用MTL并实现扩展卡尔曼滤波器。 不过，我想，本质上它取决于您使用 LAPACK/BLAS 的库以及它的优化程度。

此链接包含许多语言的面向对象的数字包列表。

http://www.oonumerics.org/oon/

Answer 2

NumPy和 MATLAB 都使用底层BLAS实现来进行标准线性代数运算。 一段时间以来，两者都使用ATLAS ，但现在 MATLAB 显然还带有其他实现，例如英特尔的数学内核库(MKL)。 哪个更快取决于系统以及 BLAS 实现的编译方式。 您还可以使用 MKL 编译 NumPy， Enthought正在为他们的 Python 发行版提供 MKL 支持（请参阅他们的路线图）。 这也是最近一篇关于此的有趣博客文章。

另一方面，如果您需要更专业的操作或数据结构，那么 Python 和 MATLAB 都为您提供各种优化方法（如Cython 、 PyCUDA等）。

编辑：我更正了这个答案以考虑不同的 BLAS 实现。 我希望它现在可以公平地反映当前的情况。

Answer 3

唯一有效的测试是对其进行基准测试。 这实际上取决于您的平台是什么，以及 Biot-Savart 定律映射到 Matlab 或 NumPy/SciPy 内置操作的程度。

至于让 Python 更快，Google 正在开发 Unladen Swallow，这是一个用于 Python 的 JIT 编译器。 可能还有其他类似的项目。

Answer 4

根据您的编辑 2，我强烈建议您使用 Fortran，因为您可以利用可用的线性代数子例程（Lapack 和 Blas），并且它比 C/C++ 更简单用于矩阵计算。

如果您更喜欢使用 C/C++ 方法，我会使用 C，因为您可能需要在可能很简单的接口上提供原始性能（矩阵计算往往具有简单的接口和复杂的算法）。

但是，如果您决定使用 C++，则可以使用 TNT（Template Numerical Toolkit，Lapack 的 C++ 实现）。

祝你好运。

Answer 5

如果您只是使用 Python（使用 NumPy），它可能会更慢，这取决于您使用的部分、您是否安装了优化的线性代数库以及您对如何利用 NumPy 的了解程度。

为了让它更快，你可以做一些事情。 有一个名为Cython的工具，它允许您将类型声明添加到 Python 代码并将其转换为 C 中的 Python 扩展模块。这会给您带来多少好处取决于您对类型声明的勤奋程度——如果您不这样做的话根本不添加任何东西，您不会看到任何好处。 Cython 还支持 NumPy 类型，尽管这些类型比其他类型复杂一些。

如果你有一块好显卡，并且愿意学习一点 GPU 计算方面的知识， PyCUDA也可以提供帮助。 （如果您没有 nvidia 显卡，我听说还有一个 PyOpenCL 正在开发中）。 我不知道您的问题域，但如果它可以映射到 CUDA 问题，那么它应该能够很好地处理您的 10^9 元素。

Answer 6

这是基于一些线性代数函数的 MATLAB 和NumPy / MKL之间的更新“比较”：

http://dpinte.wordpress.com/2010/03/16/numpymkl-vs-matlab-performance/

点积并没有那么慢；-)

Answer 7

我找不到太多难以回答的数字来回答同样的问题，所以我继续自己进行了测试。 使用的结果、脚本和数据集都可以在我关于MATLAB 与 Python 速度进行振动分析的帖子中找到。

长话短说，MATLAB 中的 FFT 函数比 Python 更好，但您可以进行一些简单的操作来获得可比较的结果和速度。 我还发现，与 MATLAB 相比，在 Python 中导入数据更快（即使是使用 scipy.io 的 MAT 文件）。

Answer 8

我还想指出，Python (+NumPy) 可以通过 F2Py 模块轻松地与 Fortran 交互，这基本上可以让您在卸载到其中的代码片段上获得原生 Fortran 速度。