我正在做一些性能分析，我想知道，当数据类型已知 (double) 时，numpy 是否对其标准数组操作进行矢量化。
a, b = (some numpy arrays)
c = a + b #Is this vectorized?
编辑： 此操作是否矢量化，即计算是否包含 SIMD 操作？
【问题讨论】：
标签： python python-3.x numpy
我注意到 Quazi Irfan 对 henrikstroem 的回答发表了评论，其中说 numpy 没有利用矢量化，并引用了作者通过实验做出“证明”的博客。
所以我浏览了博客，发现存在差距可能会得出不同的结论：对于numpy-array a和b，算术a * b与np.dot（a，b）不同。算术（a *b) 博客作者测试的只是标量乘法，不是矩阵乘法(np.dot(a,b))，甚至不是向量内积。但作者仍然使用a*b与原始实验进行比较运行 np.dot(a,b)。这两个算术的复杂度差别太大了！
numpy 肯定会利用 SIMD 和 BLAS 向量化，可以在其源代码中找到。官方的 numpy 发行版支持一组并行操作（如 np.dot），但不是每个函数（如 np.where、np. mean).博客作者可能会选择一个不合适的函数（一个未向量化的函数）进行比较。
我们还可以看到，关于多核 CPU 使用率。在执行 numpy.dot() 时，所有内核都在执行高使用率。因此 numpy 必须已矢量化（通过 BLAS）以避免仅使用单个内核因为 CPython 的 GIL 限制。
【讨论】：
是的，他们是。
/*
* This file is for the definitions of simd vectorized operations.
*
* Currently contains sse2 functions that are built on amd64, x32 or
* non-generic builds (CFLAGS=-march=...)
* In future it may contain other instruction sets like AVX or NEON detected
* at runtime in which case it needs to be included indirectly via a file
* compiled with special options (or use gcc target attributes) so the binary
* stays portable.
*/
【讨论】：
看一下基本示例
import numpy as np
x = np.array([1, 2, 3], np.int32)
print (type(x))
y = np.array([6, 7, 8], np.int32)
print (type(y))
现在我们将这两个数组相加
z=x+y
print (z)
print (type(z))
结果我们有
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
[ 7 9 11]
<class 'numpy.ndarray'>
向量化，是的。但是术语向量在数学和物理中具有不同的含义，我们使用数组作为数学抽象。
【讨论】：