时间戳

首页 > 解决方案 > 使用 numpy 进行有效矩阵切片

python-3.x - 使用 numpy 进行有效矩阵切片

问题描述

我正在尝试在子向量上乘以子矩阵。似乎这种乘法应该比整个矩阵在整个向量上的乘法更快，但时间测量结果相反：

B = np.random.randn(26200, 2000)
h = np.random.randn(2000)
%time z = B @ h
CPU times: user 56 ms, sys: 4 ms, total: 60 ms
Wall time: 29.4 ms

%time z = B[:, :256] @ h[:256]
CPU times: user 44 ms, sys: 28 ms, total: 72 ms
Wall time: 54.5 ms

带有 %timeit 的结果：

%timeit z = B @ h
100 loops, best of 3: 18.8 ms per loop

%timeit z = B[:, :256] @ h[:256]
10 loops, best of 3: 38.2 ms per loop

再次运行它：

%timeit z = B @ h
10 loops, best of 3: 18.7 ms per loop 

%timeit z = B[:, :256] @ h[:256]
10 loops, best of 3: 36.8 ms per loop

可能有一些有效的方法可以用 numpy 做到这一点，或者我可能需要使用例如 tenserflow 来使这种切片有效？

标签： python-3.xnumpymatrix-multiplication

解决方案

这是内存布局和时间访问的问题。默认情况下，数组像在 C (中一样逐行存储order='C')。您可以像在 Fortran ( ) 中那样逐列存储数据order='F'，这与您的受限问题更兼容，因为您只选择了几列。

插图：

In [107]: BF=np.asfortranarray(B)

In [108]: np.equal(B,BF).all()
Out[108]: True


In [110]: %timeit B@h
78.5 ms ± 20.2 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [111]: %timeit BF@h
89.3 ms ± 7.18 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [112]: %timeit B[:,:256]@h[:256]
150 ms ± 18.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [113]: %timeit BF[:,:256]@h[:256]
10.5 ms ± 893 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

这种方式时间执行跟随大小。

推荐阅读