4
我一直在做一些性能測試，以提高我寫的寵物項目的性能。這是一個非常緊湊的應用程序，所以我一直在玩Numpy作爲提高計算性能的一種方式。差numpy.cross（）性能
然而，從下面的性能測試結果相當令人吃驚....
測試源代碼（更新測試用例吊裝和批量提交）
import timeit
numpySetup = """
import numpy
left = numpy.array([1.0,0.0,0.0])
right = numpy.array([0.0,1.0,0.0])
"""
hoistSetup = numpySetup +'hoist = numpy.cross\n'
pythonSetup = """
left = [1.0,0.0,0.0]
right = [0.0,1.0,0.0]
"""
numpyBatchSetup = """
import numpy
l = numpy.array([1.0,0.0,0.0])
left = numpy.array([l]*10000)
r = numpy.array([0.0,1.0,0.0])
right = numpy.array([r]*10000)
"""
pythonCrossCode = """
x = ((left[1] * right[2]) - (left[2] * right[1]))
y = ((left[2] * right[0]) - (left[0] * right[2]))
z = ((left[0] * right[1]) - (left[1] * right[0]))
"""
pythonCross = timeit.Timer(pythonCrossCode, pythonSetup)
numpyCross = timeit.Timer ('numpy.cross(left, right)' , numpySetup)
hybridCross = timeit.Timer(pythonCrossCode, numpySetup)
hoistCross = timeit.Timer('hoist(left, right)', hoistSetup)
batchCross = timeit.Timer('numpy.cross(left, right)', numpyBatchSetup)
print 'Python Cross Product : %4.6f ' % pythonCross.timeit(1000000)
print 'Numpy Cross Product : %4.6f ' % numpyCross.timeit(1000000)
print 'Hybrid Cross Product : %4.6f ' % hybridCross.timeit(1000000)
print 'Hoist Cross Product : %4.6f ' % hoistCross.timeit(1000000)
# 100 batches of 10000 each is equivalent to 1000000
print 'Batch Cross Product : %4.6f ' % batchCross.timeit(100)
原始結果
Python Cross Product : 0.754945
Numpy Cross Product : 20.752983
Hybrid Cross Product : 4.467417
最終結果
Python Cross Product : 0.894334
Numpy Cross Product : 21.099040
Hybrid Cross Product : 4.467194
Hoist Cross Product : 20.896225
Batch Cross Product : 0.262964
不用說，這不是結果我的預期。純Python版本比Numpy執行速度快了近30倍。其他測試中的Numpy性能比Python相當好（這是預期的結果）。爲什麼NumPy的是在這種情況下進行如此糟糕
- 誰能解釋：
所以，我有兩個相關的問題？
- 有什麼我可以做的，以解決它？
在這種特殊情況下，3個分量數組（x，y，z座標）是最常見的情況。也有點奇怪的是，即使從numpy數組中讀取，Python代碼仍然更快。如果是通話開銷，我預計它會比純粹的NumPy解決方案慢得多。 – 2010-01-01 08:39:01
@Adam：但是通過從numpy的數組中讀取數據，可以節省調用'cross'函數本身的開銷，這是一個動態加載的擴展，所以它至少經歷了幾次指針。對於這樣短的陣列，它確實很有意義，因爲它是一個微調優化，可以將調用展開爲'cross' – 2010-01-01 08:42:23
我剛剛添加了一個測試用例，我將這些陣列分配在一起，並且看到了相當大的性能提升。所以我會說頭頂理論是正確的。看起來如果我想用Numpy來提升性能，我需要找到一種將這些操作組合在一起的方法。 – 2010-01-02 02:57:07