MATLAB 比 Python 快嗎？

Question

我想使用Biot-Savart 定律計算一些導體的磁場，並且我想使用 1000x1000x1000 矩陣。 在我使用 MATLAB 之前，但現在我想使用 Python。 Python 比 MATLAB 慢嗎？ 如何讓 Python 更快？

編輯：也許最好的方法是用 C/C++ 計算大數組，然后將它們傳輸到 Python。 我想用VPython可視化。

EDIT2：在我的情況下哪個更好：C 還是 C++？

Answer 1

您可能會在此鏈接的底部找到一些有用的結果

http://wiki.scipy.org/PerformancePython

從介紹來看，

weave 與 NumPy、Pyrex、Psyco、Fortran（77 和 90）和 C++ 的比較，用於求解拉普拉斯方程。

它還比較了 MATLAB，似乎顯示出與使用 Python 和NumPy相似的速度。

當然這只是一個具體的例子，您的應用程序可能允許更好或更差的性能。 在兩者上運行相同的測試並進行比較是沒有害處的。

您還可以使用優化的庫來編譯 NumPy，例如ATLAS ，它提供了一些BLAS / LAPACK例程。 這些應該具有與 MATLAB 相當的速度。

我不確定 NumPy 下載是否已經針對它構建，但我認為如果你編譯 NumPy，ATLAS 會根據你的系統調整庫，

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

該鏈接包含有關 Windows 平台下所需內容的更多詳細信息。

編輯：

如果您想找出性能更好的 C 或 C++，可能值得提出一個新問題。 盡管從上面的鏈接來看，C++ 的性能最好。 其他解決方案也非常接近，即 Pyrex、Python/Fortran（使用 f2py）和內聯 C++。

我做過的唯一 C++ 下的矩陣代數是使用MTL並實現擴展卡爾曼濾波器。 不過，我想，本質上它取決於您使用 LAPACK/BLAS 的庫以及它的優化程度。

此鏈接包含許多語言的面向對象的數字包列表。

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

Answer 2

NumPy和 MATLAB 都使用底層BLAS實現來進行標准線性代數運算。 一段時間以來，兩者都使用ATLAS ，但現在 MATLAB 顯然還帶有其他實現，例如英特爾的數學內核庫(MKL)。 哪個更快取決於系統以及 BLAS 實現的編譯方式。 您還可以使用 MKL 編譯 NumPy， Enthought正在為他們的 Python 發行版提供 MKL 支持（請參閱他們的路線圖）。 這也是最近一篇關於此的有趣博客文章。

另一方面，如果您需要更專業的操作或數據結構，那么 Python 和 MATLAB 都為您提供各種優化方法（如Cython 、 PyCUDA等）。

編輯：我更正了這個答案以考慮不同的 BLAS 實現。 我希望它現在可以公平地反映當前的情況。

Answer 3

唯一有效的測試是對其進行基准測試。 這實際上取決於您的平台是什么，以及 Biot-Savart 定律映射到 Matlab 或 NumPy/SciPy 內置操作的程度。

至於讓 Python 更快，Google 正在開發 Unladen Swallow，這是一個用於 Python 的 JIT 編譯器。 可能還有其他類似的項目。

Answer 4

根據您的編輯 2，我強烈建議您使用 Fortran，因為您可以利用可用的線性代數子例程（Lapack 和 Blas），並且它比 C/C++ 更簡單用於矩陣計算。

如果您更喜歡使用 C/C++ 方法，我會使用 C，因為您可能需要在可能很簡單的接口上提供原始性能（矩陣計算往往具有簡單的接口和復雜的算法）。

但是，如果您決定使用 C++，則可以使用 TNT（Template Numerical Toolkit，Lapack 的 C++ 實現）。

祝你好運。

Answer 5

如果您只是使用 Python（使用 NumPy），它可能會更慢，這取決於您使用的部分、您是否安裝了優化的線性代數庫以及您對如何利用 NumPy 的了解程度。

為了讓它更快，你可以做一些事情。 有一個名為Cython的工具，它允許您將類型聲明添加到 Python 代碼並將其轉換為 C 中的 Python 擴展模塊。這會給您帶來多少好處取決於您對類型聲明的勤奮程度——如果您不這樣做的話根本不添加任何東西，您不會看到任何好處。 Cython 還支持 NumPy 類型，盡管這些類型比其他類型復雜一些。

如果你有一塊好顯卡，並且願意學習一點 GPU 計算方面的知識， PyCUDA也可以提供幫助。 （如果您沒有 nvidia 顯卡，我聽說還有一個 PyOpenCL 正在開發中）。 我不知道您的問題域，但如果它可以映射到 CUDA 問題，那么它應該能夠很好地處理您的 10^9 元素。

Answer 6

這是基於一些線性代數函數的 MATLAB 和NumPy / MKL之間的更新“比較”：

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

點積並沒有那么慢；-)

Answer 7

我找不到太多難以回答的數字來回答同樣的問題，所以我繼續自己進行了測試。 使用的結果、腳本和數據集都可以在我關於MATLAB 與 Python 速度進行振動分析的帖子中找到。

長話短說，MATLAB 中的 FFT 函數比 Python 更好，但您可以進行一些簡單的操作來獲得可比較的結果和速度。 我還發現，與 MATLAB 相比，在 Python 中導入數據更快（即使是使用 scipy.io 的 MAT 文件）。

Answer 8

我還想指出，Python (+NumPy) 可以通過 F2Py 模塊輕松地與 Fortran 交互，這基本上可以讓您在卸載到其中的代碼片段上獲得原生 Fortran 速度。