Question

Numpy数组存储有不同的连续类型（C-和F-）。使用numpy.swapaxes（）时，连续类型会发生变化。我需要添加两个多维数组（3d更具体），其中一个来自另一个具有交换轴的数组。我注意到的是当第一个轴与最后一个轴交换时，在3d数组的情况下，连续类型从C-变为F-。添加两个具有不同连续类型的数组非常慢（比添加两个C连续数组慢约6倍）。但是，如果交换其他轴（0-1或1-2），则生成的数组将具有C-和F-连续（非连续）的错误标志。对我来说奇怪的是，添加一个C-configuous数组和一个既不是C-也不是F-连续的数组，实际上只比添加两个相同类型的数组稍慢。以下是我的两个问题：

为什么C-＆amp; F-连续arrray添加和C-＆amp;非连续阵列添加似乎有所不同？是由不同的重新排列机制引起的，还是仅仅因为所有可能的轴顺序的C-和F-连续之间的重新排列距离最长？
如果我必须添加一个C连续数组和一个F连续/非连续数组，那么加速速度的最佳方法是什么？

以下是我遇到的最低限度示例。我计算机上的三个打印持续时间是2.0s（C连续+ C连续），12.4s（C连续+ F连续），3.4s（C连续+非连续）和3.3s（C连续） +非连续）。

import numpy as np
import time

np.random.seed(1234)

a = np.random.random((300, 400, 500))  # C-contiguous
b = np.swapaxes(np.random.random((500, 400, 300)), 0, 2)  # F-contiguous
c = np.swapaxes(np.random.random((300, 500, 400)), 1, 2)  # Non-contiguous
d = np.swapaxes(np.random.random((400, 300, 500)), 0, 1)  # Non-contiguous

t = time.time()
for n in range(10):
    result = a + a
print(time.time() - t)

t = time.time()
for n in range(10):
    result = a + b
print(time.time() - t)

t = time.time()
for n in range(10):
    result = a + c
print(time.time() - t)

t = time.time()
for n in range(10):
    result = a + d
print(time.time() - t)

Answer 1

这些类型（F和C）表示矩阵（或多维数组）是否存储在列主要（C中，如同使用列主要的C语言一样存储）或行主要（F，如Fortran语言，它使用行主存储。）

两者的速度并没有真正变化。它只是一个抽象层。无论你使用哪一个，它都会带来同样的性能。

然而，最重要的是阵列是否连续。如果它们是连续的，那么您将获得编译器可能应用的缓存效果，矢量化和其他优化游戏的良好时序。

具有不同连续类型的numpy数组的加法速度

1 个答案: