Question

对于类蒙特卡罗模拟，我需要随机选取数千个随机高斯向量（即具有独立正态分布条目的向量）。每个这样的矢量都是固定长度（大约100）。

NumPy有一种实现这个目标的方法：

import numpy.random
vectors = [numpy.random.normal(size=100) for _ in xrange(10000)]

NumPy的random.normal函数具有线性复杂性，具有小尺寸值的开销。然而，看起来size=100的开销并不重要（可能约为30％，经验测试;与size=1的开销相比，约为2300％）。也许我可以通过滚动一次来节省一些开销，然后分割数组（尚未尝试过）。

然而，对于我的需求，它仍然太多太慢了。也许我在这里太贪心了;我知道NumPy的随机函数是用c编写的，并考虑了优化;仍然，

timeit numpy.random.normal(size=100)
# 100000 loops, best of 3: 5.8 us per loop

（在IPython中测试，使用其魔法%timeit）

对于10k向量，这使得~0.06秒。我想知道是否有一个更快的方法，这将允许我在不到0.6毫秒内滚动大小为100的10k向量（比如说），快100倍。解决方案可能涉及c扩展或任何需要。

更新

基于来自c++的{{3}}的非常简单的cppreference代码显示了更好的效果：

#include <iostream>
#include <random>

int main()
{
    float x;

    std::random_device rd;
    std::mt19937 gen(rd());
    std::normal_distribution <> d(0,1);

    for(int i=0; i < 100000; i++)
    {
      x = d(gen);
    }
    std::cout << x << '\n';

    return 0;
}

和时间显示：

real    0m0.028s
user    0m0.020s
sys     0m0.004s

比NumPy提供的速度快约20倍。但是，我不确定python的c扩展的开销，我没有直觉知道这是否可以成为比numpy.random.normal更快的python函数。

随机高斯向量的更快滚动

更新

0 个答案: