Python 为什么是numpy'；s exp比Matlab慢？如何使它更快？

我有一个非常简单的例子，它显示NumPy的

np.exp

比Matlab慢10倍左右。如何提高Python的速度？我运行的是32位Python 2.7，NumPy版本1.11.3，NumPy使用的是MKL blas和lapack库

而且，时间上的差异如此之大，以至于我认为计时机制没有产生太大的影响

Python中的代码示例：

import numpy as np
import timeit

setup='import numpy as np; import numexpr as ne; n=100*1000; a = np.random.uniform(size=n)'
time = timeit.timeit('b=np.exp(a)', setup=setup, number=1000)
print 'Time for 1000 (np.exp): ',time
time = timeit.timeit('b=ne.evaluate("exp(a)")', setup=setup, number=1000)
print 'Time for 1000 (numexpr): ',time

结果：

Time for 1000 (np.exp):  2.25906916167
Time for 1000 (numexpr):  0.591470532849

在Matlab中：

a = rand([100*1000,1]);
times = [];
for i=1:1000,
    tic
    b = exp(a);
    t=toc;
    times(i) = t;
end

fprintf('Time for 1000: %f\n',sum(times));

导致：

Time for 1000: 0.268527

---

为了提高性能，特别是在大型数据集上，我们可以利用这些超越函数-

import numexpr as ne

b = ne.evaluate('exp(a)')

标杆管理 对于适当的基准测试，我将使用-

设置#1

MATLAB：

>> a = rand([100*1000,1]);
>> func = @() exp(a);
>> timeit(func)
ans =
    0.0013 % That's 1.3 m-sec

>> a = rand([1000*10000,1]);
>> func = @() exp(a);
>> timeit(func)
ans =
    0.0977  % That's 97 m-sec

大小相同的数据集上的NumPy：

In [417]: n=100*1000
     ...: a = np.random.uniform(size=n)
     ...: 

In [418]: %timeit np.exp(a)
1000 loops, best of 3: 1.5 ms per loop

In [419]: %timeit ne.evaluate('exp(a)')
1000 loops, best of 3: 397 µs per loop

因此,

MATLAB  : 1.3 m-sec
NumPy   : 1.5 m-sec
Numexpr : 0.4 m-sec

MATLAB  :  97 m-sec
NumPy   : 154 m-sec
Numexpr :  36 m-sec

设置#2

MATLAB：

>> a = rand([100*1000,1]);
>> func = @() exp(a);
>> timeit(func)
ans =
    0.0013 % That's 1.3 m-sec

>> a = rand([1000*10000,1]);
>> func = @() exp(a);
>> timeit(func)
ans =
    0.0977  % That's 97 m-sec

努比：

In [412]: n=1000*10000
     ...: a = np.random.uniform(size=n)
     ...: 

In [413]: %timeit np.exp(a)
10 loops, best of 3: 154 ms per loop

In [414]: %timeit ne.evaluate('exp(a)')
10 loops, best of 3: 36.5 ms per loop

因此,

MATLAB  : 1.3 m-sec
NumPy   : 1.5 m-sec
Numexpr : 0.4 m-sec

MATLAB  :  97 m-sec
NumPy   : 154 m-sec
Numexpr :  36 m-sec

---

与

tic toc进行适当的基准测试

这个问题中的基准测试的缺点是，我们在一个循环中得到了toc经过的时间，而这个循环没有运行足够的时间来给我们提供任何准确的时间。普遍接受的想法是，

toc

经过的计时必须至少接近

1

sec标记

因此，通过这些校正，可以使用

tic-toc

进行更精确的计时测试-

tic
for i=1:1000,
    b = exp(a);
end
t=toc;
timing = t./1000

这就产生了-

timing =
    0.0010

---

这与我们的

1.3 m-sec

和

timeit

非常接近。这里更大的问题是，为什么您的跑步速度比OPsMy time结果快1000倍，这是所有exp（a）跑步的总时间，而不是平均时间@Divakar——我添加了numexpr，这很好，也很有帮助，但我们仍然比Matlab慢2倍多。@SlaterTyranus实际上

%timeit

让我们平均运行1000次。OP是累积的，这不是平均值。不过，我不确定这是如何成为更大的问题的。“我们应该把重点放在加速上。”迪瓦卡哈，那就行了。降到3-4倍增量，这是一个更合理的硬件增量。@Isaaccher使用您信任的

setup='import numpy作为np；导入num..

code，然后使用我在文章末尾发布的tic-toc代码。对于三个版本：MATLAB、NumPy、Numexpr，您得到了什么结果？你能在问题中加上这一点吗，或者在评论中告诉我？timeit文档说没有多行字符串文字。我在猜测，如果设置部分作为timeit运行的一部分进行评估，那么您传递设置部分的方式。通过在python中模仿matlab中的tic/tock设置，您可以进行直接的苹果对苹果的比较。@SlaterTyranus:docs说

stmt

和

setup

不能包含多行字符串文字，并不是说它们本身不能跨越多行。我相信这是因为它用来调整多行输入缩进的

timeit

会破坏输入中的多行字符串文字。而且，就如何使其更快而言，这实际上与numpy无关，而与引擎盖下的lapack无关。如果你想改进它，那就是你要看的地方。是的，我把设置字符串改成了用分号分隔的单个字符串，同样的计时结果。@user2357112我的错误。在过去，我遇到了一些微妙的问题，无法从思想上解析输入字符串。