在評估 Numpy 中的表達式時，我發現了一個奇怪的性能差異。我執行了以下代碼：import numpy as npmyarr = np.random.uniform(-1,1,[1100,1100])然后%timeit np.exp( - 0.5 * (myarr / 0.001)**2 )>> 184 ms ± 301 μs per loop (mean ± std. dev. of 7 runs, 1 loop each)和%timeit np.exp( - 0.5 * (myarr / 0.1)**2 )>> 12.3 ms ± 34.3 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)在第二種情況下，計算速度快了近 15 倍！請注意，唯一的區別是因子為 0.1 或 0.001。這種行為的原因是什么？我可以更改某些內容以使第一次計算與第二次計算一樣快嗎？
2 回答
ABOUTYOU
TA貢獻1812條經驗 獲得超5個贊
使用英特爾 SVML
我沒有numexpr使用英特爾 SVML，但numexpr使用 SVML 應該和 Numba 一樣好。該Numba基準測試表明無SVML完全一樣的行為，但SVML更好的表現。
代碼
import numpy as np
import numba as nb
myarr = np.random.uniform(-1,1,[1100,1100])
@nb.njit(error_model="numpy",parallel=True)
def func(arr,div):
return np.exp( - 0.5 * (myarr / div)**2 )
時間安排
#Core i7 4771
#Windows 7 x64
#Anaconda Python 3.5.5
#Numba 0.41 (compilation overhead excluded)
func(myarr,0.1) -> 3.6ms
func(myarr,0.001) -> 3.8ms
#Numba (set NUMBA_DISABLE_INTEL_SVML=1), parallel=True
func(myarr,0.1) -> 5.19ms
func(myarr,0.001) -> 12.0ms
#Numba (set NUMBA_DISABLE_INTEL_SVML=1), parallel=False
func(myarr,0.1) -> 16.7ms
func(myarr,0.001) -> 63.2ms
#Numpy (1.13.3), set OMP_NUM_THREADS=4
np.exp( - 0.5 * (myarr / 0.001)**2 ) -> 70.82ms
np.exp( - 0.5 * (myarr / 0.1)**2 ) -> 12.58ms
#Numpy (1.13.3), set OMP_NUM_THREADS=1
np.exp( - 0.5 * (myarr / 0.001)**2 ) -> 189.4ms
np.exp( - 0.5 * (myarr / 0.1)**2 ) -> 17.4ms
#Numexpr (2.6.8), no SVML, parallel
ne.evaluate("exp( - 0.5 * (myarr / 0.001)**2 )") ->17.2ms
ne.evaluate("exp( - 0.5 * (myarr / 0.1)**2 )") ->4.38ms
#Numexpr (2.6.8), no SVML, single threaded
ne.evaluate("exp( - 0.5 * (myarr / 0.001)**2 )") ->50.85ms
ne.evaluate("exp( - 0.5 * (myarr / 0.1)**2 )") ->13.9ms
哈士奇WWW
TA貢獻1799條經驗 獲得超6個贊
這可能會產生減慢計算速度的非規范化數字。
您可能想使用daz庫禁用非規范化數字：
import daz
daz.set_daz()
更多信息：x87 和 SSE 浮點輔助 IA-32：Flush-To-Zero (FTZ) 和 Denormals-Are-Zero (DAZ)：
為避免由于非正規數和下溢數引起的序列化和性能問題，請使用 SSE 和 SSE2 指令在硬件中設置刷新為零和非正規數為零模式，以實現浮點應用程序的最高性能。
請注意，在 64 位模式浮點計算中使用 SSE 指令，而不是 x87。
添加回答
舉報
0/150
提交
取消