我一直在做一些性能测试,以提高我正在编写的宠物项目的性能。这是一个非常密集的数字运算应用程序,因此我一直在使用 Numpy 作为提高计算性能的一种方式。
然而,以下性能测试的结果却相当令人惊讶....
测试源码 (更新了吊装和批量提交的测试用例)
import timeit
numpySetup = """
import numpy
left = numpy.array([1.0,0.0,0.0])
right = numpy.array([0.0,1.0,0.0])
"""
hoistSetup = numpySetup +'hoist = numpy.cross\n'
pythonSetup = """
left = [1.0,0.0,0.0]
right = [0.0,1.0,0.0]
"""
numpyBatchSetup = """
import numpy
l = numpy.array([1.0,0.0,0.0])
left = numpy.array([l]*10000)
r = numpy.array([0.0,1.0,0.0])
right = numpy.array([r]*10000)
"""
pythonCrossCode = """
x = ((left[1] * right[2]) - (left[2] * right[1]))
y = ((left[2] * right[0]) - (left[0] * right[2]))
z = ((left[0] * right[1]) - (left[1] * right[0]))
"""
pythonCross = timeit.Timer(pythonCrossCode, pythonSetup)
numpyCross = timeit.Timer ('numpy.cross(left, right)' , numpySetup)
hybridCross = timeit.Timer(pythonCrossCode, numpySetup)
hoistCross = timeit.Timer('hoist(left, right)', hoistSetup)
batchCross = timeit.Timer('numpy.cross(left, right)', numpyBatchSetup)
print 'Python Cross Product : %4.6f ' % pythonCross.timeit(1000000)
print 'Numpy Cross Product : %4.6f ' % numpyCross.timeit(1000000)
print 'Hybrid Cross Product : %4.6f ' % hybridCross.timeit(1000000)
print 'Hoist Cross Product : %4.6f ' % hoistCross.timeit(1000000)
# 100 batches of 10000 each is equivalent to 1000000
print 'Batch Cross Product : %4.6f ' % batchCross.timeit(100)
原始结果
Python Cross Product : 0.754945
Numpy Cross Product : 20.752983
Hybrid Cross Product : 4.467417
最终结果
Python Cross Product : 0.894334
Numpy Cross Product : 21.099040
Hybrid Cross Product : 4.467194
Hoist Cross Product : 20.896225
Batch Cross Product : 0.262964
不用说,这不是我预期的结果。纯 Python 版本的执行速度几乎比 Numpy 快 30 倍。 Numpy 在其他测试中的性能优于 Python 等效项(这是预期的结果)。
所以,我有两个相关的问题:
- 谁能解释为什么 NumPy 在这种情况下表现如此糟糕?
- 有什么办法可以解决吗?
最佳答案
用更大的数组试试这个。我认为仅仅在这里调用 numpy
方法的成本就超过了 Python 版本所需的简单的几个列表访问。如果你处理更大的数组,我想你会看到 numpy
的巨大胜利。
关于python - numpy.cross() 性能差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1988091/