Question

我尝试运行以下代码，以找出float64中double和numpy之间的区别。结果很有趣，因为与使用float64进行乘法所花费的时间相比，double类型的时间几乎翻倍。需要注意一点。

import time
import numpy as np

datalen = 100000
times = 10000

a = np.random.rand(datalen)
b = np.random.rand(datalen)

da = np.float64(a)
db = np.float64(a)

dda = np.double(a)
ddb = np.double(b)

tic = time.time()
for k in range(times):
    dd = dda * ddb
toc = time.time()
print (toc - tic), 'time taken for double'

tic = time.time()
for k in range(times):
    d = da * db
toc = time.time()
print (toc - tic), 'time taken for float64'

Answer 1

我认为你将苹果与橙子进行比较。

第一个工作台基本上是a * b，但是第二个a * a。

我怀疑后者的缓存丢失要少得多。

Answer 2

import numpy as np
np.double is np.float64 # returns True

理论上两者都应该相同。

Answer 3

许多数组操作通常仅受限于将数组元素从RAM加载到缓存所需的时间。

因此，如果每个值的大小较小，或者您不需要在缓存中加载如此多的元素，那么您希望操作更快。

这就是为什么你的时间不同：np.float64和np.double实际上并不复制，所以在第一种情况下，数组是相同的，而不是第二种情况：

>>> da is db
True

>>> dda is ddb
False

因此，可以优化第一种情况，因为您不需要从两个数组加载值，而只需加载一个数组。从而使带宽倍增。

但是还有另外一件事要考虑：np.float64和np.double在大多数机器上应该是相同的，但这并不是保证。 np.float64是固定大小的浮点值（始终为64位），而np.double取决于计算机和/或编译器。在大多数机器double上64bit都是double，但并不总是保证！因此，如果您的float64和>>> np.double(10).itemsize 8 >>> np.float64(10).itemsize 8 >>> np.float64 is np.double True宽度不同，则可能存在速度差异：

PlaySound("./backgrounMusic.wav", NULL, SND_ASYNC ) //this is my main music for my game
PlaySound("./buttonEffect.wav", NULL, SND_FILENAME | SND_ASYNC);

np.float64和np.double有什么区别？

3 个答案: