Numpy 与mkl连接的稀疏矩阵乘法运算

我把numpy和mkl联系起来，我在稀疏矩阵上做矩阵乘法，看起来速度很慢。例如，对于大小为（100000，1000），稀疏密度为0.1，dtype为numpy.float64的矩阵A，我有 timeit A.T.dot（A）给我5.24秒 但是如果我把一个矩阵转换成稠密矩阵，然后进行乘法，我得到了650ms。 blas运算对稀疏矩阵不起作用吗？此外，我还观察到，在执行稀疏乘法时，我的cpu使用情况显示只有一个核在使用，但在密集情况下使用多个核

My numpy.show_config（）具有以下配置：

lapack_opt_info:
    libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
    library_dirs = ['/home/user/miniconda2/envs/sketch/lib']
    define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
    include_dirs = ['/home/user/miniconda2/envs/sketch/include']
blas_opt_info:
    libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
    library_dirs = ['/home/user/miniconda2/envs/sketch/lib']
    define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
    include_dirs = ['/home/user/miniconda2/envs/sketch/include']
openblas_lapack_info:
  NOT AVAILABLE
lapack_mkl_info:
    libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
    library_dirs = ['/home/user/miniconda2/envs/sketch/lib']
    define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
    include_dirs = ['/home/user/miniconda2/envs/sketch/include']
blas_mkl_info:
    libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
    library_dirs = ['/home/user/miniconda2/envs/sketch/lib']
    define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
    include_dirs = ['/home/user/miniconda2/envs/sketch/include']

---

关于如何提高numpy在稀疏矩阵上的性能，有什么想法吗。谢谢。

什么是数据类型？数据类型是numpy.float64如果在具有形状（583250，76）的数组中有41218703个非零值，为什么要使用稀疏矩阵？您的阵列已满93%！当然，稀疏矩阵乘法要比密集矩阵的密集数组乘法慢。稀疏矩阵使用的数据结构比密集数组使用的简单内存块更复杂，因此需要专门为该数据结构编写的乘法算法。@WarrenWeckesser你说得对。但我认为我有不同的问题，因为即使使用10%的nnz，稀疏矩阵乘法似乎也要慢10倍。此外，我的cpu使用情况显示，稀疏矩阵乘法仅使用一个核心，而密集情况下使用多个核心。我已经用信息更新了我的问题。谢谢，注意numpy对稀疏矩阵一无所知。它们在scipy（）中实现。