我的代码中有一个计算,执行了数千次,我想看看是否可以加快速度,因为它目前使用两个嵌套循环。我认为如果我使用广播,我可以使它快几倍
我在下面展示了两个选项,谢天谢地,它们给出了相同的结果
import numpy as np
n = 1000
x = np.random.random([n, 3])
y = np.random.random([n, 3])
func_weight = np.random.random(n)
result = np.zeros([n, 9])
result_2 = np.zeros([n, 9])
# existing
for a in range(3):
for b in range(3):
result[:, 3*a + b] = x[:, a] * y[:, b] * func_weight
# broadcasting - assumed this would be faster
for a in range(3):
result_2[:, 3*a:3*(a+1)] = np.expand_dims(x[:, a], axis=-1) * y * np.expand_dims(func_weight, axis=-1)
n=100
nested loops: 24.7 µs ± 362 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
broadcasting: 70.3 µs ± 1.22 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
n=1000
nested loops: 50.5 µs ± 913 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
broadcasting: 148 µs ± 372 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
n=10000
nested loops: 327 µs ± 7.99 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
broadcasting: 864 µs ± 5.57 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
在我的测试中,广播总是比较慢,所以我对正在发生的事情有点困惑。我猜,因为在第二个解决方案中,我必须使用expand_dims
来对齐形状,这就是对性能的巨大影响。对吗?随着数组大小的增长,嵌套循环的性能不会有太大的变化,总是快3倍左右
有没有我没有考虑过的更理想的第三种解决方案
全广播版本:
将
expand_dims
替换为np.newaxis/None
扩展:所以是的,
expand_dims
有点慢,我想是因为它试图成为通用的。还有一层额外的函数调用expand_dims
只是a.reshape(shape)
,但是将axis参数转换为shape
元组需要一些时间。作为一个有经验的用户,我发现None
语法更清晰(更快)-从视觉上看,它是一个维度添加操作相关问题 更多 >
编程相关推荐