[英]Optimizing Many Matrix Operations in Python / Numpy
實現中存在可以卸載到numexpr
模塊的特定函數,已知這些函數對於算術計算非常有效。 對於我們的情況,具體來說我們可以用它來執行平方,求和和絕對計算。 因此,基於numexpr
的解決方案將取代原始代碼中的最后一步,就像這樣 -
import numexpr as ne
out = np.sqrt(ne.evaluate('sum(abs(A_Mat - Temp**2))'))/B_Mat.shape[0]
通過將規范化步驟嵌入到numexpr
的evaluate表達式中,可以實現進一步的性能提升。 因此,修改為使用numexpr
的整個函數將是 -
def numexpr_app1(B_Mat, A_Mat):
Temp = np.absolute(B_Mat)
M = np.amax(Temp)
return np.sqrt(ne.evaluate('sum(abs(A_Mat*M**2-Temp**2))'))/(M*B_Mat.shape[0])
運行時測試 -
In [198]: # Random arrays
...: A_Mat = np.random.randn(4000,5000)
...: B_Mat = np.random.randn(4000,5000)
...:
In [199]: np.allclose(foo(B_Mat, A_Mat),numexpr_app1(B_Mat, A_Mat))
Out[199]: True
In [200]: %timeit foo(B_Mat, A_Mat)
1 loops, best of 3: 891 ms per loop
In [201]: %timeit numexpr_app1(B_Mat, A_Mat)
1 loops, best of 3: 400 ms per loop
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.