Question

我在python（numpy）中有一个简单的矩阵乘法代码

import numpy as np
import time
a = np.random.random((70000,3000));
b = np.random.random((3000,100));
t1=time.time()
c = np.dot(a,b);
t2=time.time()
print 'Time passed is %2.2f seconds' %(t2-t1

在一个核心上完成乘法（ c = np.dot（a，b）; ）大约需要16秒。但是当我在Matab上运行相同的乘法时，它需要大约1秒钟（6个核心）才能完成乘法。

那么，为什么Matlab比矩阵乘法的numpy快2.6倍？（每个核心的性能对我来说很重要）

UPDATE 这次我使用Eigen做了同样的事情。它的性能略优于Matlab。 Eigen使用与Numpy使用相同的Blas实现。所以Blas的实现并不是性能缺陷的根源。

要确保已安装的numpy使用BLAS，我np.show_config（）

enter code here
blas_info:
   libraries = ['blas']
   library_dirs = ['/usr/lib64']
   language = f77
lapack_info:
   libraries = ['lapack']
   library_dirs = ['/usr/lib64']
   language = f77

atlas_threads_info:
   NOT AVAILABLE

blas_opt_info:
   libraries = ['blas']
   library_dirs = ['/usr/lib64']
   language = f77
   define_macros = [('NO_ATLAS_INFO', 1)]

atlas_blas_threads_info:
   NOT AVAILABLE

lapack_opt_info:
   libraries = ['lapack', 'blas']
   library_dirs = ['/usr/lib64']
   language = f77
   define_macros = [('NO_ATLAS_INFO', 1)]

atlas_info:
   NOT AVAILABLE

lapack_mkl_info:
   NOT AVAILABLE

blas_mkl_info:
   NOT AVAILABLE

atlas_blas_info:
   NOT AVAILABLE

mkl_info:
   NOT AVAILABLE

Answer 1

试用Enthought Python Distribution。例如，它与Intel Math Kernel Library链接，后者经过高度优化并由MatLab使用。

编辑：2017年的更新。Anaconda distribution现在真的是最好的方式。

Numpy / Python表演与Matlab相比

1 个答案: