numpy.cross() 性能不佳

Question

我一直在做一些性能测试，以提高我正在编写的宠物项目的性能。这是一个数字运算密集型应用程序，所以我一直在使用 Numpy 作为提高计算性能的一种方式。

但是，以下性能测试的结果相当令人惊讶....

测试源代码 （更新了提升和批量提交的测试用例）

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) 

原始结果

Python Cross Product : 0.754945 
Numpy Cross Product  : 20.752983 
Hybrid Cross Product : 4.467417 

最终结果

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 

不用说，这不是我预期的结果。纯 Python 版本的执行速度比 Numpy 快近 30 倍。 Numpy 在其他测试中的性能优于 Python 等效项（这是预期结果）。

所以，我有两个相关的问题：

• 谁能解释为什么 NumPy 在这种情况下表现如此糟糕？
• 有什么办法可以解决吗？

Answer 1

优秀的帖子！我认为这种比较实际上并不公平。 Batch Cross Product 给出了一个包含所有向量叉积的数组，而 Python Cross Product 一次给出一个向量。如果您需要一次计算所有叉积当然 Batch 更好，但是如果您需要分别计算每个叉积，则应该包括访问数组的开销。此外，如果一个叉积是前一个叉积的函数，则应该修改 Batch 实现。

Answer 2

为了减少 numpy 调用开销，您可以尝试使用 cython 作为中间体来调用 numpy 函数。

详情请见Fast numerical computations with Cython (SciPy 2009)。

Answer 3

您可以在这里自己查看源代码：http://www.google.com/codesearch/p?hl=en#5mAq98l-MUw/trunk/dnumpy/numpy/core/numeric.py&q=cross%20package:numpy&sa=N&cd=1&ct=rc

numpy.cross 只处理很多案例并做一些额外的副本。

一般来说，numpy 对于矩阵乘法或求逆之类的慢速操作来说足够快 - 但是像这样的小向量上的操作会产生很多开销。

Answer 4

用更大的数组试试这个。我认为只是在这里调用numpy 的方法的成本超出了Python 版本所需的简单的几个列表访问。如果您处理更大的数组，我认为您会看到 numpy 的巨大胜利。