Question

这是一个相当简单的操作，但在我的实际代码中重复了数百万次，如果可能的话，我想提高它的性能。

import numpy as np

# Initial data array
xx = np.random.uniform(0., 1., (3, 14, 1))
# Coefficients used to modify 'xx'
a, b, c = np.random.uniform(0., 1., 3)

# Operation on 'xx' to obtain the final array 'yy'
yy = xx[0] * a * b + xx[1] * b + xx[2] * c

最后一行是我想改进的。基本上，xx中的每个字词乘以一个因子（由a, b, c系数给出），然后添加所有字词以提供形状为yy的最终(14, 1)数组vs初始xx数组(3, 14, 1)的形状。

是否可以通过numpy广播来实现这一目标？

Answer 1

我们可以使用广播乘法，然后沿第一轴求和第一个替代。

作为第二个，我们还可以使用np.dot引入矩阵乘法。因此，给我们两个方法。以下是问题中提供的样本的时间安排 -

# Original one
In [81]: %timeit xx[0] * a * b + xx[1] * b + xx[2] * c
100000 loops, best of 3: 5.04 µs per loop

# Proposed alternative #1
In [82]: %timeit (xx *np.array([a*b,b,c])[:,None,None]).sum(0)
100000 loops, best of 3: 4.44 µs per loop

# Proposed alternative #2
In [83]: %timeit np.array([a*b,b,c]).dot(xx[...,0])[:,None]
1000000 loops, best of 3: 1.51 µs per loop

Answer 2

这与Divakar的答案类似。交换xx的第一个和第三个轴并做点积。

import numpy as np

# Initial data array
xx = np.random.uniform(0., 1., (3, 14, 1))
# Coefficients used to modify 'xx'
a, b, c = np.random.uniform(0., 1., 3)

def op():
    yy = xx[0] * a * b + xx[1] * b + xx[2] * c
    return yy

def tai():
    d = np.array([a*b, b, c])
    return np.swapaxes(np.swapaxes(xx, 0, 2).dot(d), 0, 1)

def Divakar():
    # improvement given by Divakar
    np.array([a*b,b,c]).dot(xx.swapaxes(0,1))

%timeit op()
7.21 µs ± 222 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit tai()
4.06 µs ± 140 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit Divakar()
3 µs ± 105 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

NumPy广播以提高网络产品性能

2 个答案: