scipy.weave.inline的性能

Question

我是一位Python新手，正在尝试学习一些有关这种出色的编程语言的知识。 我尝试使用scipy.weave.inline来加快一些计算。 只是为了学习一点，我尝试使用scipy.weave.inline实现矩阵乘法。 我没有包括任何错误处理-只是尝试以更好地理解它。 代码如下：

import scipy.weave
def cmatmul(A,B):
    R = numpy.zeros((A.shape[0],B.shape[1]))
    M = R.shape[0]
    N = R.shape[1]
    K = A.shape[1]

    code = \
    """
    for (int i=0; i<M; i++)
        for (int j=0; j<N; j++)
            for (int k=0; k<K; k++)
                R(i,j) += A(i,k) * B(k,j);
    """
    scipy.weave.inline(code, ['R','A','B','M','N','K'], \
                       type_converters=scipy.weave.converters.blitz, \
                       compiler='gcc')
    return R

当我与numpy.dot进行比较时，我发现weave.inline版本花费的时间大约是numpy.dot的50倍。 我知道numpy可以应用时非常快。 对于大型矩阵（例如1000 x 1000），甚至可以看到这种差异。

我已经检查了numpy.dot和scipy.weave.inline，在计算时似乎都使用了一个核心100％。 Numpy.dot提供了10.0 GFlop，而我的笔记本电脑的理论值为11.6 GFlop（双精度）。 我以单精度测量了预期的双重性能。 但是scipy.weave.inline落后了。 scipy.weave.inline的性能的1/50倍。

这种差异是可以预期的吗？ 或者我做错了什么？

Answer 1

您实现了一个朴素的矩阵乘法算法，该算法将scipy.weave编译为快速的机器代码。

但是，存在用于矩阵乘法的非显而易见的，CPU缓存效率更高的算法 （通常将矩阵拆分为块并进行处理），并且可以通过特定于CPU的优化来获得更高的速度。 如果已安装Numpy，默认情况下将使用优化的BLAS库进行此操作。 与无需进行大量研究即可自行编写的代码库相比，这些库可能会更快。