Python 为什么通过pytorch张量的循环如此缓慢（与Numpy相比）？

我最近一直在处理图像变换，遇到了这样一种情况：我有一个大数组（形状为100000 x 3），其中每一行代表3D空间中的一个点，如：

pnt=[x y z]

我所要做的就是迭代每个点，然后用一个称为T（shape=3x3）的矩阵乘以每个点

使用Numpy进行测试：

def变换（pnt_云，T）：
i=0
对于pnt_云中的pnt：
xyz_pnt=np.dot（T，pnt）
如果xyz_pnt[0]>0：
arr[i]=xyz_pnt[0]
i+=1
返回arr

调用以下代码并计算运行时（使用%时间）将给出输出：

Out[190]: CPU times: user 670 ms, sys: 7.91 ms, total: 678 ms
Wall time: 674 ms

Out[199]: CPU times: user 6.15 s, sys: 28.1 ms, total: 6.18 s
Wall time: 6.09 s

用Pytork张量测试：

导入火炬
张量cld=火炬张量（pnt_云）
张量T=火炬。张量（T）
def变换（pnt_云，T）：
深度数组=火炬张量（np.0（pnt_云形状[0]））
i=0
对于pnt_云中的pnt：
xyz_pnt=焊炬.马特穆尔（T，pnt）
如果xyz_pnt[0]>0：
深度数组[i]=xyz\u pnt[0]
i+=1
返回深度数组

调用以下代码并计算运行时（使用%时间）将给出输出：

Out[190]: CPU times: user 670 ms, sys: 7.91 ms, total: 678 ms
Wall time: 674 ms

Out[199]: CPU times: user 6.15 s, sys: 28.1 ms, total: 6.18 s
Wall time: 6.09 s

注意：对torch.jit执行相同操作只会减少2秒

我原以为Pytork张量计算会快得多，因为Pytork在编译阶段分解代码的方式。我错过了什么

---

除了使用Numba，还有其他更快的方法吗？

为什么要使用for循环？？
为什么计算3x3点积时只使用结果的第一个元素

您可以在一个

matmul

中完成所有数学运算：

带火炬的

。无梯度（）
深度数组=torch.matmul（pnt_云，T[：1，：].T）#nx3点3x1->nx1
#因为你只想要非负面的结果
深度数组=火炬。最大值（深度数组，0）

---

因为您想将runtime与numpy进行比较，所以应该禁用。

关于速度，我从PyTorch论坛得到了以下回复：

在Pytork中，1-3个元素的操作通常相当昂贵，因为张量创建的开销变得非常大（这包括设置单个元素），我认为这是这里的主要内容。这也是为什么JIT没有起到很大的作用（它只带走了Python的开销）和Numby的优势（例如，对depth_array[i]的赋值只是内存写入）

如果在PyTorch和NumPy中有不同的BLAS后端，matmul本身的速度可能会有所不同

---

你是如何将一个形状点（3，）与形状矩阵（4，4）相乘的？尺寸是否不兼容？Pytork是否可能正在为该操作积累梯度？哦，是的，我删除了第四个术语，以使问题更易于理解和概括，但忘记了减小另一个矩阵的大小。我已经编辑了这个问题，感谢您指出Natchiket在上面的问题中，我声明pnt_cld是一个100000 x 3矩阵，即每行为1 x 3。我将每个1 x 3向量乘以T（3x3）。[nx3点3x1->nx3不等于上述过程]我发现的另一件事是张量运算本身不会累积梯度。只有当操作涉及nn.model对象时，才会累积渐变。@dankpenny I更新了代码中有关矩阵大小的注释。因为你只使用结果的一个元素-你可以乘以矩阵的3x1行，而不是整个矩阵。哦，是的，我的坏哈哈！