深度学习之向量化

一、深度学习向量化，去除for循环，增加运行速度，下面展示向量化与非向量化的速度差异

import numpy as np
#创建一个数据
#向量化版本
import time
a=np.random.rand(1000000)  #随机得到一个1000000的数组
b=np.random.rand(1000000)
time_begin=time.time() #测量当前时间
#向量化版本
c=np.dot(a,b)
time_end=time.time()
print("Vectorized version:"+str(1000*(time_end-time_begin))+"ms")


#非向量化样本
c=0
time_begin1=time.time() #测量当前时间
for i in range(1000000):
    c+=a[i]*b[i]
time_end2=time.time()

print("No-Vectorized version:"+str(1000*(time_end2-time_begin1))+"ms")

np.dot(a,b)是做矩阵乘法

np.random.rand(1000000)

可以生成任意随机数，括号里的数是生成1000000个秩为1的数组
结果如图，可见向量化速度大约是FOR循环速度的260倍快

二、由于Numpy库存在很对向量函数，所以在对向量进行处理时可以选择这些函数，以减少for循环的使用，从而增加程序运行速度

a=np.random.rand(1000)
b=np.maximum(a,0)

可以对a数组从大到小排序

a=np.random.rand(1000)
c=np.max(a)

可以对a数组求最大值
此外还有很多
u=np.exp()
u=np.log()
u=np.abs()等等