为什么 for 循环比 numpy 的二维数组乘法更快

Question

考虑以下两个函数，它们基本上将小序列中的每个数字与较大序列中的每个数字相乘以构建二维数组，然后将数组中的所有值加倍。 noloop() 使用二维 numpy 数组和 returns 结果的直接乘法，而 loop() 使用 for 循环迭代 arr1 并逐渐构建输出数组。

import numpy as np

arr1 = np.random.rand(100, 1)
arr2 = np.random.rand(1, 100000)

def noloop():
    return (arr1*arr2)*2

def loop():
    out = np.empty((arr1.size, arr2.size))
    for i in range(arr1.size):
        tmp = (arr1[i]*arr2)*2
        out[i] = tmp.reshape(tmp.size)
    return out

我预计 noloop 即使对于少量迭代也会更快，但是对于上面的数组大小，loop 实际上更快：

>>> %timeit noloop()
10 loops, best of 3: 64.7 ms per loop
>>> %timeit loop()
10 loops, best of 3: 41.6 ms per loop

有趣的是，如果我在两个函数中都删除 *2，noloop 会更快，但只是稍微快一点：

>>> %timeit noloop()
10 loops, best of 3: 29.4 ms per loop
>>> %timeit loop()
10 loops, best of 3: 34.4 ms per loop

这些结果是否有很好的解释，是否有更快的方法来执行相同的任务？

Answer 1

我无法重现您的结果，但我确实发现使用 numpy.multiply 可以显着提高速度（2 倍）。通过使用 out 参数，您可以利用内存已经分配的事实，并消除将 tmp 复制到 out.

def out_loop():
    out = np.empty((arr1.size, arr2.size))
    for i in range(arr1.size):
        np.multiply(arr1[i], arr2, out=out[i].reshape((1, arr2.size)))
        out[i] *= 2
    return out

我机器上的结果：

In [32]: %timeit out_loop()
100 loops, best of 3: 17.7 ms per loop

In [33]: %timeit loop()
10 loops, best of 3: 28.3 ms per loop

为什么 for 循环比 numpy 的二维数组乘法更快

Why are for loops quicker than numpy for 2D array multiplication

python

for-loop

numpy