python比matlab慢,为什么numpy的exp比Matlab慢？如何让它更快？

为了提高性能，特别是在大型数据集上，我们可以利用^{} module来实现这种超越函数-import numexpr as ne

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

标杆管理

为了进行适当的基准测试，我将使用^{}和{a3}-

设置1

MATLAB软件：

^{pr2}$

相同大小数据集上的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 µs per loop

因此MATLAB : 1.3 m-sec

NumPy : 1.5 m-sec

Numexpr : 0.4 m-sec

设置2

MATLAB软件：>> a = rand([1000*10000,1]);

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

>> timeit(func)

ans =

0.0977 % That's 97 m-sec

纽比：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

因此MATLAB : 97 m-sec

NumPy : 154 m-sec

Numexpr : 36 m-sec

使用tic-toc进行适当的基准测试

这个问题中的基准测试的缺点是，我们在一个循环中得到了toc的运行时间，而这个循环没有运行足够的时间来给我们任何准确的时间。普遍接受的想法是toc经过的时间必须至少接近1秒标记。在

所以，有了这些修正，用tic-toc更精确的计时测试将是-tic

for i=1:1000,

b = exp(a);

end

t=toc;

timing = t./1000

这就产生了-timing =

0.0010

这与我们的1.3 m-sec和timeit很接近。在