Python 小型阵列上的numpy和性能

我有一些代码，可以利用一些加速-不幸的是瓶颈似乎已经在numpy代码。令我惊讶的是，sum函数而不是对数占用了大部分时间

这是一个玩具示例：

import numpy as np
from scipy.special import xlogy

p = np.random.rand(20,4)

def many_foo(p):
    for i in range(100000):
        foo(p)

def foo(p):
    p_bar = xlogy(p, p)
    p_sum = p_bar.sum()
    p_sum = np.sum(p_bar)

kern_prof（

%lprun-f foo many_foo（p）

）给出了以下行分析：

Timer unit: 1e-06 s

Total time: 1.43734 s
File: <ipython-input-63-8f7d1e3cad35>
Function: foo at line 10

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
    10                                           def foo(p):
    11    100000       259856      2.6     18.1      p_bar = xlogy(p, p)
    12    100000       404256      4.0     28.1      p_sum = p_bar.sum()
    13    100000       773232      7.7     53.8      p_sum = np.sum(p_bar)

定时器单元：1e-06秒
总时间：1.43734秒
文件：
功能：第10行的foo
行#每次命中的命中次数%时间行内容
==============================================================
10 def foo（p）：
11 100000 259856 2.6 18.1 p_bar=xlogy（p，p）
12 100000 404256 4.0 28.1 p_sum=p_bar.sum（）
13 100000 773232 7.7 53.8 p_总和=np总和（p_巴）

结果令我惊讶

p_-bar.sum（）

超过

np.sum（p_-bar）

的2倍可能会导致调用开销问题

但是为什么计算对数比求和要快呢？还有没有希望在不切换到C++的情况下更快地获得这个？

---

请注意，

p

的小维度代表了我必须解决的问题。

我得到了

xlogy（p，p）

和

np.sum（p_bar）

的可比运行时。使用

%timeit

。timeit对我来说是一样的

np.sum

慢2.5倍。也许continuum的mkl blas库负责。。。hmhm@Divakar对于我来说，在macos numpy（mkl和openblas）和linux numpy（mkl）上，使用

p=np.random.rand（20,4）

xlogy

的性能比

np.sum

好至少两倍。当我进一步减小数据量时，

p=np.random.rand（5,4）

。因此，它也可能依赖于硬件/资源。此外，

np.sum

的函数调用开销比

xlogy

的要大得多（超过2倍），这在那些小数据集上表现出来。