Question

我是一名工程专业的学生，目前正在从MATLAB过渡到Python，以进行数值模拟。我的印象是，对于基本的数组操作，Numpy会和MATLAB一样快。但是，对于我写的两个不同的程序来说，MATLAB的速度是Numpy的两倍。我用于Numpy（Python 3.3）的测试代码是：

import numpy as np
import time

a = np.random.rand(5000,5000,3)

tic = time.time()
a[:,:,0] = a[:,:,1]
a[:,:,2] = a[:,:,0]
a[:,:,1] = a[:,:,2]
toc = time.time() - tic
print(toc)

而对于MATLAB 2012a，我正在使用：

a = rand(5000,5000,3);

tic;
a(:,:,1) = a(:,:,2);
a(:,:,3) = a(:,:,1);
a(:,:,2) = a(:,:,3);
toc

我使用的算法是在NASA website上使用的算法，比较Numpy和MATLAB。该网站显示Numpy在该算法的速度方面超过了MATLAB。然而，我的结果显示Numpy的模拟时间为0.49秒，MATLAB的模拟时间为0.29秒。我也在Numpy和Matlab上运行了Gauss-Seidel求解器，得到了类似的结果（16.5 s vs. 9.5 s）

我是Python的新手，在编程方面不是非常有文化。我正在使用WinPython 64位Python发行版，但也试过Pythonxy无济于事。

我读过的一个应该提高性能的方法是使用MKL构建Numpy。不幸的是我不知道如何在Windows上执行此操作。我甚至需要这样做吗？

有什么建议吗？

Answer 1

由于缓存，这种比较最终会变成苹果到橙子，因为传输或在连续的内存块上做一些工作会更有效。这个特定的基准是内存限制的，因为实际上没有进行任何计算，因此缓存命中的百分比是实现良好性能的关键。

Matlab以列主顺序（Fortran顺序）放置数据，因此a(:,:,k)是一个连续的内存块，可以快速复制。

Numpy默认为行主顺序（C顺序），因此在a[:,:,k]中，元素之间存在大的跳跃，这会减慢内存传输速度。实际上，可以选择数据布局。在我的笔记本电脑中，创建具有a = np.asfortranarray(np.random.rand(5000,5000,3)) LED的阵列，速度提高5倍（1秒对0.19秒）。

这个结果对于numpy-MKL和普通numpy应该非常相似，因为MKL是一个快速的LAPACK实现，在这里你不会调用任何使用它的函数（MKL在解决线性系统，计算点积时肯定有帮助.. ）。

我真的不知道Gauss Seidel求解器上发生了什么，但前段时间我写了一个题为Numpy running at half the speed of MATLAB的问题的答案，该问题讨论了MKL，FFT和Matlab的JIT。

Answer 2

您正在尝试重新创建NASA实验，但是您已经更改了许多变量。例如：

您的硬件和操作系统不同（www.nccs.nasa.gov/dali_front.html）
您的Python版本不同（2.5.3 vs 3.3）
您的MATLAB版本不同（2008年与2012年）

假设NASA结果是正确的，结果的差异是由于这些变化的变量中的一个或多个。我建议你：

使用SciPy预建binaries重新测试。
研究相对于此类计算是否对MATLAB进行了任何改进。

此外，您可能会发现this link有用。

MATLAB的速度是Numpy的两倍

2 个答案: