我写了一个非常耗时的numpy程序。在对其进行分析之后，我发现大部分时间都花费在numpy.einsum上。
虽然numpy是LAPACK或BLAS的包装器，但我不知道numpy.einsum的性能是否与LAPACK或BLAS中的对应物相当。
那么，如果我切换到fortran或C，我会获得更多性能提升吗？
答案 0 :(得分：3)
Numpy仅对BLAS指定的基本操作包装BLAS。其中包括dot，innerproduct，vdot，matmul（1.10中的新内容）以及依赖它的函数（tensordot等）。另一方面，einsum只调用BLAS进行允许回退的操作（从Numpy 1.14.0开始）。
如果你的问题可以分解成几个BLAS操作，那么我建议你先在Numpy中尝试一下。它可能需要一些临时数组（即使您编写使用BLAS的C / FORTRAN，情况仍然如此）。您可以使用函数的out=参数来消除某些数组创建开销。
但大部分时间，你使用的是einsum，因为它在BLAS中无法表达。看一个简单的例子：
a = np.arange(60.).reshape(3,4,5)
b = np.arange(24.).reshape(4,3,2)
c = np.einsum('ijk,jil->kl', a, b)
要在基本操作中表达上述内容，您需要交换b中的前两个轴，对前两个维度进行逐元素乘法，然后对每个索引{{1}进行求和。 }和k。
l 你不能BLAS那样。更新：上述问题可以表示为矩阵乘法，可以使用BLAS加速。请参阅@ali_m的评论。对于足够大的阵列，BLAS方法更快。
同时，请注意c2 = np.ndarray((5, 2))
b2 = np.swapaxes(b, 0, 1)
def manualeinsum(c2, a, b):
ny, nx = c2.shape
for k in range(ny):
for l in range(nx):
c2[k, l] = np.sum(a[..., k]*b2[...,l])
manualeinsum(c2, a, b2)
本身是用C语言编写的，为给定的索引创建特定于维度的迭代器，并且还针对SSE进行了优化。