python还是c++处理大型矩阵_矩阵乘法的Python、NoMPY、NUMBA和C++比较

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