性能：Matlab vs Python

Question

我最近从Matlab切换到Python。在转换我的一个冗长的代码时，我惊讶地发现Python非常慢。我用一个占用时间的函数描述并跟踪了这个问题。这个函数在我的代码中从不同的地方被调用（是递归调用的其他函数的一部分）。Profiler建议在Matlab和Python中对该函数进行300调用。在

简而言之，以下代码总结了当前的问题：

MATLAB

包含函数的类：

classdef ExampleKernel1 < handle  
methods (Static)
    function [kernel] = kernel_2D(M,x,N,y) 
        kernel  = zeros(M,N);
        for i= 1 : M
            for j= 1 : N
                % Define the custom kernel function here
                kernel(i , j) = sqrt((x(i , 1) - y(j , 1)) .^ 2 + ...
                                (x(i , 2) - y(j , 2)) .^2 );             
            end
        end
    end
end
end

调用test.m的脚本：

^{pr2}$

给出输出

clear all
>> test
Elapsed time is 0.022426 seconds.
>> test
Elapsed time is 0.009852 seconds.

PYTHON 3.4

包含函数的类自定义内核.py公司名称：

from numpy import zeros
from math import sqrt
class CustomKernels:
"""Class for defining the custom kernel functions"""
    @staticmethod
    def exampleKernelA(M, x, N, y):
        """Example kernel function A"""
        kernel = zeros([M, N])
        for i in range(0, M):
            for j in range(0, N):
                # Define the custom kernel function here
                kernel[i, j] = sqrt((x[i, 0] - y[j, 0]) ** 2 + (x[i, 1] - y[j, 1]) ** 2)
        return kernel

以及要调用的脚本测试.py公司名称：

import numpy as np
from CustomKernels import CustomKernels
from time import perf_counter

xVec = np.array([
    [49.7030,  78.9590],
    [42.6730,  11.1390],
    [23.2790,  89.6720],
    [75.6050,  25.5890],
    [81.5820,  53.2920],
    [44.9680,   2.7770],
    [38.7890,  78.9050],
    [39.1570,  33.6790],
    [33.2640,  54.7200],
    [4.8060 ,  44.3660],
    [49.7030,  78.9590],
    [42.6730,  11.1390],
    [23.2790,  89.6720],
    [75.6050,  25.5890],
    [81.5820,  53.2920],
    [44.9680,   2.7770],
    [38.7890,  78.9050],
    [39.1570,  33.6790],
    [33.2640,  54.7200],
    [4.8060 ,  44.3660]
    ])
N = xVec.shape[0]
kex1 = CustomKernels.exampleKernelA
start=perf_counter()
for i in range(0,300):
    K = kex1(N, xVec, N, xVec)
print(' %f secs' %(perf_counter()-start))

给出输出

%run test.py
 0.940515 secs
%run test.py
 0.884418 secs
%run test.py
 0.940239 secs

结果

比较结果，在调用“clear all”之后，Matlab大约快42倍，如果脚本多次运行而不调用“clear all”，则速度要快100倍。这至少是一个数量级，如果不是两个数量级的话。这对我来说是一个非常令人惊讶的结果。我原以为结果会是相反的。在

有人能解释一下吗？在

有人能建议一个更快的方法来完成这个吗？在

旁注

我还尝试使用numpy.sqrt，这会使性能更差，因此我在Python中使用math.sqrt。在

编辑

用于调用函数的for循环纯粹是虚构的。它们只是为了“模拟”300调用函数。如前所述，内核函数（Matlab中的kernel_2D和{}中的kex1）是从程序的不同位置调用的。为了缩短问题，我使用for循环“模拟”调用300。由于核矩阵的结构，核函数内部的for循环是必不可少的，也是不可避免的。在

编辑2

这里有一个更大的问题：https://github.com/drfahdsiddiqui/bbfmm2d-python

Answer 1

Matlab使用商业MKL库。如果您使用免费的python发行版，请检查您是否在python中使用了MKL或其他高性能blas库，或者它是默认库，这可能会慢得多。在

Answer 2

你想去掉那些for循环。试试这个：

def exampleKernelA(M, x, N, y):
    """Example kernel function A"""
    i, j = np.indices((N, M))
    # Define the custom kernel function here
    kernel[i, j] = np.sqrt((x[i, 0] - y[j, 0]) ** 2 + (x[i, 1] - y[j, 1]) ** 2)
    return kernel

你也可以用广播来实现，它可能更快，但是来自MATLAB的直观性稍差。在

Answer 3

在进一步的调查中，我发现使用indices的方法仍然比较慢。在

解决方案：使用meshgrid

def exampleKernelA(M, x, N, y):
    """Example kernel function A"""
    # Euclidean norm function implemented using meshgrid idea.
    # Fastest
    x0, y0 = meshgrid(y[:, 0], x[:, 0])
    x1, y1 = meshgrid(y[:, 1], x[:, 1])
    # Define custom kernel here
    kernel = sqrt((x0 - y0) ** 2 + (x1 - y1) ** 2)
    return kernel

结果：非常快，比indices方法快10倍。我得到了更接近C的时间

然而：使用meshgrid与Matlab一起使用比这两个都快10倍的C和{}。在

还在想为什么！在