问题不在于X和X.T本身是相同内存空间的视图,
而是X.T是F-连续而不是C-连续.当然,这必须
对于该情况中的至少一个输入阵列必然是正确的
您将数组与其转置视图相乘的位置.
在numpy< 1.8,np.dot会
创建任何F有序输入数组的C有序副本,而不仅仅是碰巧在同一块上的视图
记忆.
例如:
X = np.random.randn(1000,50000)
Y = np.random.randn(50000, 100)
# X and Y are both C-order, no copy
%memit np.dot(X, Y)
# maximum of 1: 485.554688 MB per loop
# make X Fortran order and Y C-order, now the larger array (X) gets
# copied
X = np.asfortranarray(X)
%memit np.dot(X, Y)
# maximum of 1: 867.070312 MB per loop
# make X C-order and Y Fortran order, now the smaller array (Y) gets
# copied
X = np.ascontiguousarray(X)
Y = np.asfortranarray(Y)
%memit np.dot(X, Y)
# maximum of 1: 523.792969 MB per loop
# make both of them F-ordered, both get copied!
X = np.asfortranarray(X)
%memit np.dot(X, Y)
# maximum of 1: 905.093750 MB per loop
如果复制是一个问题(例如,当X非常大时),你能做些什么呢?
最好的选择可能是升级到更新版本的numpy – 正如@perimosocordiae指出的那样,这个性能问题在this pull request中得到了解决.
如果由于某种原因你不能升级numpy,还有一个技巧,允许你执行快速,基于BLAS的点产品,而无需通过scipy.linalg.blas直接调用相关的BLAS函数强制复制(从this answer无耻地被盗) ):
from scipy.linalg import blas
X = np.random.randn(1000,50000)
%memit res1 = np.dot(X, X.T)
# maximum of 1: 845.367188 MB per loop
%memit res2 = blas.dgemm(alpha=1., a=X.T, b=X.T, trans_a=True)
# maximum of 1: 471.656250 MB per loop
print np.all(res1 == res2)
# True