Question

我是python的新手，目前正在研究numPy软件包。我来自C/C++世界，所以也许我的问题很愚蠢。在numPy中使用向量化操作时，我假设它们像openMP一样使执行并行化。

我在一个udacity教程中遇到了一段代码，该代码以一种下面的方式计算了标准化的一维数组：

standardized = (array - array.mean()) / array.std()

其中数组是numPy数组。因此，在我眼中，numPy将使以下“单个”指令无效，以获得更好的性能：

standardized[0] = (array[0] - array.mean()) / array.std()
standardized[1] = (array[1] - array.mean()) / array.std()
...
...
standardized[n] = (array[n] - array.mean()) / array.std()

其中n是array的大小。因此，在每次迭代中，我都会调用mean()和std()，它们总是被计算出来，因此需要很多时间。在'C way'中，我会这样做，以提高性能：

mean = array.mean()
std = array.std()
standardized = (array - mean) / std

我测量了两次计算的时间，并且几乎总是同一时间。实际上，这取决于我首先使用的最快速的方法。另外，我只使用填充零的数组，也许这也会产生影响。

所以我的问题是，python（或numPy）如何使向量化执行“并行化”，以及它如何处理函数调用，函数调用应始终在一次迭代中返回相同的值。 / p>

我希望我的问题清楚易懂。我找不到处理此用例的任何资源。

Answer 1

standardized = (array - array.mean()) / array.std()

是一个Python表达式，其计算结果为：

temp1 = array.mean()     
temp2 = array.std()
temp3 = (array - temp1)
temp4 = temp3 / temp2

array.mean是一个numpy的“内置”方法，这意味着它是用已编译的代码编写的。与std相同。并用于两个数组的减法和除法。

numpy提供了构建基块，python提供了将它们连接在一起的胶水。通常，最佳策略是最大程度地利用这些numpy方法。并避免在Python级别循环。有时，对复杂操作进行几次循环会更好，有时使用基本Python会更好（从列表创建数组需要时间）。

有一些用于构建自定义编译块的工具-cython，numba等。

Answer 2

我不知道numpy中有任何OpenMP风格的并行化。速度增益来自使用C / Fortran /专用库，例如LAPack / BLAS等。如果您可以负担封送处理的费用，则可以使用多处理程序来滚动自己的并行化。

如果您自己构建，似乎有一种启用OpenMP的方法：https://docs.scipy.org/doc/scipy/reference/building/linux.html

在矢量化操作中调用numpy函数是否会影响性能？

2 个答案: