python比matlab慢,为什么numpy的exp比Matlab慢？如何使其更快？

为了提高性能(尤其是在大型数据集上的性能),我们可以将numexpr module用于此类先验功能-

import numexpr as ne

b = ne.evaluate('exp(a)')

标杆管理

设置1

MATLAB：

>> a = rand([100*1000,1]);

>> func = @() exp(a);

>> timeit(func)

ans =

0.0013 % That's 1.3 m-sec

在相同大小的数据集上的NumPy：

In [417]: n=100*1000

...: a = np.random.uniform(size=n)

...:

In [418]: %timeit np.exp(a)

1000 loops, best of 3: 1.5 ms per loop

In [419]: %timeit ne.evaluate('exp(a)')

1000 loops, best of 3: 397 ?s per loop

从而,

MATLAB : 1.3 m-sec

NumPy : 1.5 m-sec

Numexpr : 0.4 m-sec

设置#2

MATLAB：

>> a = rand([1000*10000,1]);

>> func = @() exp(a);

>> timeit(func)

ans =

0.0977 % That's 97 m-sec

NumPy：

In [412]: n=1000*10000

...: a = np.random.uniform(size=n)

...:

In [413]: %timeit np.exp(a)

10 loops, best of 3: 154 ms per loop

In [414]: %timeit ne.evaluate('exp(a)')

10 loops, best of 3: 36.5 ms per loop

从而,

MATLAB : 97 m-sec

NumPy : 154 m-sec

Numexpr : 36 m-sec

使用tic-toc进行正确的基准测试

问题中基准测试的错误在于,我们在一个循环中获得了toc过去的计时,而该循环的运行时间不足以为我们提供任何准确的计时.普遍接受的想法是,经过时间的计时必须至少接近1秒标记.

因此,通过这些更正,使用tic-toc进行更准确的时序测试将是-

tic

for i=1:1000,

b = exp(a);

end

t=toc;

timing = t./1000

这产生-

timing =

0.0010

这已经接近我们的1.3毫秒.