我正在用Python编写代码，我在巨大的矩阵上进行了大量的矩阵乘法。对于性能以及我使用numpy.einsum的速度。无论如何，einum被很好地优化了，我的代码运行得非常慢。这是我正在寻找加速它的解决方案的原因。我认为PyCuda可能会有所帮助，但在对互联网进行一些研究之后，我发现我错了。 您是否有任何提示如何提高数学运算Python的性能？
例如，我有一堆这样的后续乘法：
NewMatrix_krls = np.einsum('kK,krls->Krls', C, Matrx_krls)
其中C是矩阵1000乘1000，Matrx_krls是1000乘1000乘1000乘1000。
答案 0 :(得分：0)
einsum构造一个迭代器（ndinter），它在问题空间上循环（在C中）。使用表达式中的维度和索引，空间为1000**5（5个变量，每个变量大小为1000）。这是10**15次操作。
如果问题涉及3个或4个数组的增加，您可以通过将其分成几个einsum个调用（或einsum和dot的混合）来加快速度。但是，您的描述中没有足够的信息来表明这种分区。
实际上，您可以使用np.dot的形式投射此内容。 Matrx_krls可以重新整形为二维数组，将rls维度合并为一个1000**3。
E.g。 （未经测试）
np.dot(C.T, Matrx_krls.reshape(1000,-1))
对于2个2d数组的产品，np.dot比einsum快。
（注意我将您的代码更改为包含numpy - 这会引起更多知识渊博的海报的注意。）
答案 1 :(得分：0)
'Matrx_krls是1000乘1000乘1000乘1000'
这就是一个4TB的阵列，假设有4个字节的浮点数...我认为你最好在Hadoop上投入时间而不是GPGPU。即使您将数据流式传输到GPU，由于PCIE带宽有限，您也几乎看不到任何好处。
那，或者解释为什么你认为你需要这种操作可能会有助于更高层次。