Numpy nump和x27的干运行;s矢量化
当我运行一个用numpy矢量化的函数时,它的执行次数总是比我预期的要多。因此,在实际调用开始之前,似乎有一个试运行。最近,我因为这个遇到了麻烦。请参见以下示例:Numpy nump和x27的干运行;s矢量化,numpy,vectorization,dry-run,Numpy,Vectorization,Dry Run,当我运行一个用numpy矢量化的函数时,它的执行次数总是比我预期的要多。因此,在实际调用开始之前,似乎有一个试运行。最近,我因为这个遇到了麻烦。请参见以下示例: import numpy as np class PERSON: def __init__(self, age): self.age = age class TIME: def __init__(self): self.ages = np.array([0,0]) def i
import numpy as np
class PERSON:
def __init__(self, age):
self.age = age
class TIME:
def __init__(self):
self.ages = np.array([0,0])
def init_persons(self):
vec_init_persons = np.vectorize(self.__scalar_init_person)
self.persons = vec_init_persons(self.ages)
def __scalar_init_person(self, age):
return PERSON(age)
def let_time_pass(self):
vec_let_time_pass = np.vectorize(self.__scalar_let_time_pass)
vec_let_time_pass(self.persons)
def __scalar_let_time_pass(self, person):
person.age += 1
time = TIME()
time.init_persons()
time.let_time_pass()
print("Age of person 1: {}".format(time.persons[0].age)) # output is 2 not 1!
print("Age of person 2: {}".format(time.persons[1].age)) # output is 1
通常,我猜,两个人的年龄都是1岁。
因此,我的问题是:
otypes
参数
矢量化
功能主要是为了方便,而不是为了
演出该实现本质上是一个for循环
np.vectorize
进行一次计算以确定结果的dtype
。我想这就是你所谓的试运行。要避免这种情况,请使用otypes
。还可能有一个缓存
选项。在任何情况下,vectorize
都是为了在无法使用“真实”numpy矢量化的情况下提供方便。它不是一个性能工具。阅读完整的文档。有时最好让“vectorized”函数打印其参数,这样您就可以更清楚地了解np.vectorize
最终如何调用它<代码>np。矢量化不会编译您的函数。这只是对输入进行迭代的另一种方式。也许最好的方法就是不要使用np。矢量化谢谢hpaulj的第一条评论!使用选项“cache=True”正是我想要的。事实上,我不认为总是使用“cache=True”有任何缺点。你知道为什么没有将默认的缓存设置为True吗?它说缓存会减慢代码的速度,不是吗<代码>矢量化
已经很慢。我认为otypes
更好。人们已经通过自动数据类型得到了位(例如,期望浮点数,但由于试运行返回0而得到int)。在这里,ages
上的简单迭代更好。