Python 以numpy和theano.张量表示的对数之差

numpy.log和theano.tensor.log之间有什么区别？

---

它们的性能相同吗？

很可能

numpy.log

会更快。您可以在CPU和数据上对它们进行比较

import theano
import theano.tensor as T
import numpy as 

x = T.vector('x')
theano_log = theano.function([x], T.log(x))

a = np.random.rand(1000).astype(np.float32)  # test data
assert np.allclose(theano_log(a), np.log(a)) # optional correctness check

然后用以下方法测量：

In [6]: %timeit np.log(a)
100000 loops, best of 3: 7.89 µs per loop

In [7]: %timeit theano_log(a)
10000 loops, best of 3: 44.1 µs per loop

因此，对于大小为1000的向量，numpy大约快5倍。如果您切换到在GPU中运行计算，则结果可能会有所不同，您可以使用

theano

而不是

numpy

---

主要区别在于使用每个库的方式。在theano中，如果您想对一个数组执行多个操作（例如：log->square->mean），您将首先声明一个计算图，然后立即计算整个图，这可能会导致一些优化。使用

numpy

您可以评估每个中间步骤，在流程中创建许多中间变量，在某些情况下可以在

中避免这些变量，而
numpy.log
可能会更快。您可以在CPU和数据上对它们进行比较

import theano
import theano.tensor as T
import numpy as 

x = T.vector('x')
theano_log = theano.function([x], T.log(x))

a = np.random.rand(1000).astype(np.float32)  # test data
assert np.allclose(theano_log(a), np.log(a)) # optional correctness check

然后用以下方法测量：

In [6]: %timeit np.log(a)
100000 loops, best of 3: 7.89 µs per loop

In [7]: %timeit theano_log(a)
10000 loops, best of 3: 44.1 µs per loop

因此，对于大小为1000的向量，numpy大约快5倍。如果您切换到在GPU中运行计算，则结果可能会有所不同，您可以使用
theano
而不是
numpy

主要区别在于使用每个库的方式。在theano中，如果您想对一个数组执行多个操作（例如：log->square->mean），您将首先声明一个计算图，然后立即计算整个图，这可能会导致一些优化。使用
numpy
您可以评估每个中间步骤，在流程中创建许多中间变量，在某些情况下，这些变量在
theano
中可以避免