为什么numpy本身是“慢”的？

Question

给定thread here

似乎numpy并不是超快计算的最理想选择。有人知道在使用numpy进行数值计算时需要注意哪些开销吗？

Answer 1

嗯，这取决于你想做什么。例如，XOR对于对数值线性代数感兴趣的人来说几乎没有意义(由于使用了底层优化的BLAS/LAPACK库，numpy对于数值线性代数来说相当快)。

一般来说，从numpy获得良好性能背后的大想法是一次在许多元素上摊销解释器的成本。换句话说，将循环从python代码(慢)移到numpy/BLAS/LAPACK/etc.内部某处的C/Fortran循环(快)。如果您成功地完成了该操作(称为矢量化)，性能通常会很好。

当然，您显然可以通过转储python解释器并使用C++来获得更好的性能。这种方法是否真正成功取决于您在使用C++与numpy进行高性能编程方面有多好，以及您到底要做什么操作。

Answer 2

任何时候，只要有一个像x = a * b + c / d + e这样的表达式，您就会得到一个用于a * b的临时数组，一个用于c / d的临时数组，一个用于其中一个和的临时数组，最后一个用于结果的分配。这是Python类型和运算符重载的限制。但是，您可以使用增强赋值(*=、+=等)显式地就地执行操作。运算符，并确保不会复制。

至于NumPy在基准测试中运行缓慢的具体原因，很难说，但它可能与检查大小、类型封送等的持续开销有关，而Cython/等不必担心。在更大的问题上，你可能会看到它变得越来越近。

Answer 3

我真的不知道，但我猜有两个因素：

1. 也许numpy正在复制更多的东西？当你避免分配大的临时数组时，weave通常会更快一些，但这在这里并不重要。
2. numpy在迭代(可能)多维数组时使用了一些开销。这种开销通常会与数字运算相比相形见绌，但xor真的很快，所以真正重要的是开销。