我發現了一個小代碼片段，它曾經是一個雙 for 循環，我設法通過矢量化將它帶到一個單 for 循環中。這樣做會大大縮短時間，所以我想知道是否可以通過矢量化擺脫第二個 for 循環，以及它是否會提高性能。import numpy as npfrom timeit import default_timer as timernlin, npix = 478, 480bb = np.random.rand(nlin,npix)slope = -8fac = 4offset= 0barray = np.zeros([2,2259]);timex = timer()for y in range(nlin): for x in range(npix): ling=(np.ceil((x-y/slope)*fac)+1-offset).astype(np.int); barray[0,ling] +=1; barray[1,ling] +=bb[y,x];newVar = np.copy(barray)print(timer() - timex)因此，可以通過創建以下矩陣將 ling 從循環中取出lingMat = (np.ceil((np.vstack(npixrange)-nlinrange/slope)*fac)+1-offset).astype(np.int);滿足 lingMat[x,y] = "ling in the for loop at x and y"。這給出了矢量化的第一步。
1 回答
呼啦一陣風
TA貢獻1802條經驗 獲得超6個贊
在矢量化方面，您可能會使用基于np.add.at的東西：
def yaco_addat(bb,slope,fac,offset):
barray = np.zeros((2,2259),dtype=np.float64)
nlin_range = np.arange(nlin)
npix_range = np.arange(npix)
ling_mat = (np.ceil((npix_range-nlin_range[:,None]/slope)*fac)+1-offset).astype(np.int)
np.add.at(barray[0,:],ling_mat,1)
np.add.at(barray[1,:],ling_mat,bb)
return barray
但是，我建議您直接使用numba進行優化，使用@jit帶有 option 的裝飾器nopython=True，它可以為您提供：
import numpy as np
from numba import jit
nlin, npix = 478, 480
bb = np.random.rand(nlin,npix)
slope = -8
fac = 4
offset= 0
def yaco_plain(bb,slope,fac,offset):
barray = np.zeros((2,2259),dtype=np.float64)
for y in range(nlin):
for x in range(npix):
ling=(np.ceil((x-y/slope)*fac)+1-offset).astype(np.int)
barray[0,ling] += 1
barray[1,ling] += bb[y,x]
return barray
@jit(nopython=True)
def yaco_numba(bb,slope,fac,offset):
barray = np.zeros((2,2259),dtype=np.float64)
for y in range(nlin):
for x in range(npix):
ling = int((np.ceil((x-y/slope)*fac)+1-offset))
barray[0,ling] += 1
barray[1,ling] += bb[y,x]
return barray
讓我們檢查一下輸出
np.allclose(yaco_plain(bb,slope,fac,offset),yaco_addat(bb,slope,fac,offset))
>>> True
np.allclose(yaco_plain(bb,slope,fac,offset),yaco_jit(bb,slope,fac,offset))
>>> True
現在是時候了
%timeit yaco_plain(bb,slope,fac,offset)
>>> 648 ms ± 4.14 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit yaco_addat(bb,slope,fac,offset)
>>> 27.2 ms ± 92.3 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit yaco_jit(bb,slope,fac,offset)
>>> 505 μs ± 995 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
產生一個優化的函數，它比最初的 2 個循環版本53x快得多，也比第np.add.at一個版本快。希望這可以幫助。
添加回答
舉報
0/150
提交
取消