在我正在做的一个程序中,我需要重复乘以两个矩阵。由于其中一个矩阵的大小,这个操作需要一些时间,我想看看哪种方法最有效。矩阵有(m x n)*(n x p)维,其中m = n = 3和{}。在
除了Numpy(我假设它可以使用优化算法)之外,每个测试都包含一个matrix multiplication的简单实现:
以下是我的各种实现:
Pythondef dot_py(A,B):
m, n = A.shape
p = B.shape[1]
C = np.zeros((m,p))
for i in range(0,m):
for j in range(0,p):
for k in range(0,n):
C[i,j] += A[i,k]*B[k,j]
return C
数字
^{pr2}$
a
代码与Python代码相同,但它是在使用前及时编译的:dot_nb = nb.jit(nb.float64[:,:](nb.float64[:,:], nb.float64[:,:]), nopython = True)(dot_py)
到目前为止,每个方法调用都使用timeit模块计时10次。保持最佳结果。矩阵是使用np.random.rand(n,m)创建的。在
C++ >强>mat2 dot(const mat2& m1, const mat2& m2)
{
int m = m1.rows_;
int n = m1.cols_;
int p = m2.cols_;
mat2 m3(m,p);
for (int row = 0; row < m; row++) {
for (int col = 0; col < p; col++) {
for (int k = 0; k < n; k++) {
m3.data_[p*row + col] += m1.data_[n*row + k]*m2.data_[p*k + col];
}
}
}
return m3;
}
这里,mat2是我定义的一个自定义类,dot(const mat2& m1, const mat2& m2)是这个类的一个朋友函数。它使用QPF和QPC从Windows.h开始计时,并使用MinGW和g++命令编译程序。同样,从10次执行中获得的最佳时间保持不变。在
结果
正如预期的那样,简单的Python代码速度较慢,但对于非常小的矩阵,它仍然优于Numpy。结果比最大的案子快30%。在
我对C++结果感到惊讶,其中乘法比NUBA的时间要多出一个数量级。事实上,我预计这些花费的时间也差不多。在<>这导致了我的主要问题:这是正常的,如果不是,为什么C++比NUBA慢?我刚开始学习C++,所以我可能做了一些错误的事情。如果是这样,我会犯什么错误,或者我可以做些什么来提高代码的效率(除了选择更好的算法之外)?在
编辑1
这是mat2类的头。在#ifndef MAT2_H
#define MAT2_H
#include
class mat2
{
private:
int rows_, cols_;
float* data_;
public:
mat2() {} // (default) constructor
mat2(int rows, int cols, float value = 0); // constructor
mat2(const mat2& other); // copy constructor
~mat2(); // destructor
// Operators
mat2& operator=(mat2 other); // assignment operator
float operator()(int row, int col) const;
float& operator() (int row, int col);
mat2 operator*(const mat2& other);
// Operations
friend mat2 dot(const mat2& m1, const mat2& m2);
// Other
friend void swap(mat2& first, mat2& second);
friend std::ostream& operator<<(std::ostream& os, const mat2& M);
};
#endif
编辑2
正如许多人建议的那样,使用优化标志是匹配Numba所缺少的元素。以下是与先前曲线相比的新曲线。通过切换两个内环得到标记为v2的曲线,并显示出另外30%到50%的改进。在