Question

我一直在做一些性能测试，以提高我正在写的宠物项目的性能。这是一个非常数字化的密集型应用程序，因此我一直在使用Numpy来提高计算性能。

但是，以下性能测试的结果非常令人惊讶......

测试源代码 （更新了提升和批量提交的测试用例）

import timeit

numpySetup = """
import numpy
left = numpy.array([1.0,0.0,0.0])
right = numpy.array([0.0,1.0,0.0])
"""

hoistSetup = numpySetup +'hoist = numpy.cross\n'

pythonSetup = """
left = [1.0,0.0,0.0]
right = [0.0,1.0,0.0]
"""

numpyBatchSetup = """
import numpy

l = numpy.array([1.0,0.0,0.0])
left = numpy.array([l]*10000)

r = numpy.array([0.0,1.0,0.0])
right = numpy.array([r]*10000)
"""

pythonCrossCode = """
x = ((left[1] * right[2]) - (left[2] * right[1]))
y = ((left[2] * right[0]) - (left[0] * right[2]))
z = ((left[0] * right[1]) - (left[1] * right[0]))
"""

pythonCross = timeit.Timer(pythonCrossCode, pythonSetup)
numpyCross = timeit.Timer ('numpy.cross(left, right)' , numpySetup)
hybridCross = timeit.Timer(pythonCrossCode, numpySetup)
hoistCross = timeit.Timer('hoist(left, right)', hoistSetup)
batchCross = timeit.Timer('numpy.cross(left, right)', numpyBatchSetup) 

print 'Python Cross Product : %4.6f ' % pythonCross.timeit(1000000)
print 'Numpy Cross Product  : %4.6f ' % numpyCross.timeit(1000000) 
print 'Hybrid Cross Product : %4.6f ' % hybridCross.timeit(1000000) 
print 'Hoist Cross Product  : %4.6f ' % hoistCross.timeit(1000000) 
# 100 batches of 10000 each is equivalent to 1000000
print 'Batch Cross Product  : %4.6f ' % batchCross.timeit(100)

原始结果

Python Cross Product : 0.754945 
Numpy Cross Product  : 20.752983 
Hybrid Cross Product : 4.467417

最终结果

Python Cross Product : 0.894334 
Numpy Cross Product  : 21.099040 
Hybrid Cross Product : 4.467194 
Hoist Cross Product  : 20.896225 
Batch Cross Product  : 0.262964

毋庸置疑，这不是我预期的结果。纯Python版本的执行速度比Numpy快30倍。其他测试中的Numpy性能优于Python等效（这是预期的结果）。

所以，我有两个相关的问题：

有谁可以解释为什么NumPy在这种情况下表现如此糟糕？
我有什么办法可以解决它吗？

Answer 1

尝试使用更大的数组。我认为调用numpy方法的成本仅仅超过了Python版本所需的简单几个列表访问。如果你处理更大的数组，我认为你会看到numpy的大赢。

Answer 2

您可以在此处查看源代码：http://www.google.com/codesearch/p?hl=en#5mAq98l-MUw/trunk/dnumpy/numpy/core/numeric.py&q=cross%20package:numpy&sa=N&cd=1&ct=rc

numpy.cross只处理大量案件并做一些额外的副本。

一般来说，numpy对于像矩阵乘法或反演这样的慢速事件来说足够快 - 但对像这样的小向量的操作有很多开销。

Answer 3

为了减少numpy调用开销，你可以尝试使用cython作为调用numpy函数的中间函数。

有关详细信息，请参阅Fast numerical computations with Cython (SciPy 2009)。

Answer 4

优秀的帖子！我认为这种比较实际上并不公平。 Batch Cross Product提供包含所有向量的叉积的数组，而Python Cross Product一次给出一个向量。如果您需要一次性计算所有交叉产品当然批处理更好，但如果您需要单独计算每个交叉产品，则应包括访问数组的开销。此外，如果交叉产品（如果是上一个交叉产品的函数）应该修改批量实现。

numpy.cross（）表现不佳

4 个答案: