![](/img/trans.png)
[英]The most efficient way to assign several small matrices onto a large matrix in numpy
[英]Most efficient way to multiply a small matrix with a scalar in numpy
我有一個程序,其主要性能瓶頸涉及將一個維度為 1 的矩陣和另一個大維度的矩陣相乘,例如 1000:
large_dimension = 1000
a = np.random.random((1,))
b = np.random.random((1, large_dimension))
c = np.matmul(a, b)
換句話說,將矩陣b
與標量a[0]
相乘。
我正在尋找最有效的方法來計算這個,因為這個操作重復了數百萬次。
我測試了這兩種簡單方法的性能,它們實際上是等效的:
%timeit np.matmul(a, b)
>> 1.55 µs ± 45.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit a[0] * b
>> 1.77 µs ± 34.6 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
有沒有更有效的方法來計算這個?
在這種情況下,使用逐元素乘法可能更快,但您看到的時間主要是 Numpy 的開銷(從 CPython 解釋器調用 C 函數、包裝/解包類型、進行檢查、執行操作、數組分配, ETC。)。
因為這個操作重復了數百萬次
這就是問題。 確實,CPython解釋器在以低延遲做事方面非常糟糕。 當您在 Numpy 類型上工作時尤其如此,因為調用 C 代碼並且執行瑣碎操作的檢查比在純 ZA7F5F35426B927411FC9231B563821773 Z 編譯代碼慢得多,這也慢得多。 如果你真的需要這個,並且你不能使用 Numpy對你的代碼進行矢量化(因為你有一個循環迭代時間步長),那么你就不要使用 CPython,或者至少不要使用純 Python 代碼。 相反,您可以使用Numba或Cython來減輕執行 C 調用、包裝類型等的影響。如果這還不夠,那么您將需要編寫本機 C/C++ 代碼(或任何類似語言),除非您找到確切的專用 Python package正是為您做的。 請注意,Numba 僅在適用於本機類型或 Numpy arrays(包含本機類型)時才快速。 如果您使用大量純 Python 類型並且您不想重寫代碼,那么您可以嘗試PyPy JIT。
這是 Numba 中的一個簡單示例,該示例避免了專門為解決您的特定情況而編寫的新數組(以及許多 Numpy 內部檢查和調用)的(昂貴的)創建/分配:
@nb.njit('void(float64[::1],float64[:,::1],float64[:,::1])')
def fastMul(a, b, out):
val = a[0]
for i in range(b.shape[1]):
out[0,i] = b[0,i] * val
res = np.empty(b.shape, dtype=b.dtype)
%timeit fastMul(a, b, res)
# 397 ns ± 0.587 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
在撰寫本文時,此解決方案比其他所有解決方案都快。 由於大部分時間都花在調用 Numba 和執行一些內部檢查上,因此直接對包含迭代循環的 function 使用 Numba 應該會產生更快的代碼。
import numpy as np
import numba
def matmult_numpy(matrix, c):
return np.matmul(c, matrix)
@numba.jit(nopython=True)
def matmult_numba(matrix, c):
return c*matrix
if __name__ == "__main__":
large_dimension = 1000
a = np.random.random((1, large_dimension))
c = np.random.random((1,))
使用 Numba 的速度大約提高了 3 倍。 Numba cognoscenti 可以通過將參數“c”顯式轉換為標量來做得更好
檢查:結果
%timeit matmult_numpy(a, c)
每個循環2.32 µs ± 50 ns(平均值 ± 標准偏差,7 次運行,每次 100000 次循環)
%timeit matmult_numba(a, c)
每個循環763 ns ± 6.67 ns(平均值 ± 標准偏差,7 次運行,每次 1000000 次循環)
large_dimension = 1000
a = np.random.random((1,))
B = np.random.random((1, large_dimension))
%timeit np.matmul(a, B)
5.43 µs ± 22 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit a[0] * B
5.11 µs ± 6.92 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
只使用浮動
%timeit float(a[0]) * B
3.48 µs ± 26.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
為避免 memory 分配使用“緩沖區”
buffer = np.empty_like(B)
%timeit np.multiply(float(a[0]), B, buffer)
2.96 µs ± 37.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
為避免不必要的獲取屬性,請使用“別名”
mul = np.multiply
%timeit mul(float(a[0]), B, buffer)
2.73 µs ± 12.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
而且我根本不推薦使用 numpy 標量,因為如果你避免它,計算會更快
a_float = float(a[0])
%timeit mul(a_float, B, buffer)
1.94 µs ± 5.74 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
此外,如果有可能,則在循環外初始化緩沖區一次(當然,如果你有類似循環的東西:)
rng = range(1000)
%%timeit
for i in rng:
pass
24.4 µs ± 1.21 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%%timeit
for i in rng:
mul(a_float, B, buffer)
1.91 ms ± 2.21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
所以,
“最佳迭代時間” = (1.91 - 0.02) / 1000 => 1.89 (µs)
“加速” = 5.43 / 1.89 = 2.87
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.