为什么 Matlab 矩阵求逆比 numpy 快？

Question

这与讨论 numpy 与 Matlab 的速度的几个问题有关。然而，它们中的大多数具有多个矩阵运算而不是单个运算。例如。 Difference on performance between numpy and matlab

对我来说，numpy 反转随机矩阵所花费的时间大约比 matlab 慢 5 倍。

这是matlab脚本，

N = 1000;

B = randn(N,N);
h = tic;
T = 40;
for i=1:40

    Rinv = (B)^(-1);
end
toc(h)/40

这给出了大约 0.08 秒的平均值。

虽然这个 python 脚本给出了 0.4 秒（大约）。

import numpy as np 
from numpy import linalg as LA
import time 

N=1000
R = np.random.random((N,N))
T=40

t1 = time.clock()
for i in range(0,T):
    Rinv = LA.inv(R)
t2 = time.clock()
print 'avg time for inverse ',(t2-t1)/T

有什么理由这样做，或者无论如何要提高 python 性能？ 我已经在 Python 上实现了我的工作，我担心是否 我将不得不将我的所有代码移植到matlab。 我正在开发 Ubuntu 16.04、Python 2.7、Matlab R2016b。

我读到time 不是一个用于执行时间比较的好模块，我觉得这不止于此。

Answer 1

在我的电脑上（Windows、python 3.5、numpy 1.11.2）：

In [6]: %timeit inv(a)
10 loops, best of 3: 86 ms per loop

编辑：

或者，没有 Ipython：

>>>timeit.timeit('inv(a)','from __main__ import inv,a',number=100)/100

类似于 Matlab。

要知道后台使用了什么代码，检查一下：

In [12]: np.__config__.show() 
blas_mkl_info:
include_dirs = ['c:/users/bruno/miniconda3\\Library\\include']
libraries = ['mkl_core_dll', 'mkl_intel_lp64_dll', 'mkl_intel_thread_dll']
...