矢量化如何有助于减少计算时间？答案

【问题标题】：How vectorization are helpful in reducing the computation time?矢量化如何有助于减少计算时间？
【发布时间】：2020-07-31 00:36:45
【问题描述】：

我正在观看Vectorization 的视频，作者解释矢量化将减少计算时间。例如

代码：

import numpy as np
import time

a= np.random.rand(100000)
b= np.random.rand(100000)

tic = time.time()
c = np.dot(a,b)
toc = time.time()

print(c)
print("Vectorization Version: "+ str(100000 * (toc - tic)) +"ms" )

c = 0
tic = time.time()
for i in range(100000):
    c += a[i] * b[i]

toc = time.time()
print(c)
print("NonVectorization Version: "+ str(100000 * (toc - tic)) +"ms" )

输出：

25108.8250776
Vectorization Version: 12.660026550292969ms
25108.8250776
NonVectorization Version: 7782.268524169922ms

矢量化如何有助于减少计算时间？

【问题讨论】：

numpy 上下文中的“向量化”表示“使用已编译的 numpy 方法和函数”。在此示例中，np.dot 在快速编译的 BLAS 库中完成这项工作。慢版本在 python 代码中迭代，这要慢得多（解释）。

标签： python numpy vectorization

【解决方案1】：

因为向量化是 SIMD（单指令，多数据）操作。一条指令对多个操作数并行执行相同的操作。 [1]

While Loops 通常被计算机称为 MIMD（多指令，多数据）操作。即使循环中只有一个操作，计算机在每次迭代时都会将这些操作视为不同的指令。

【讨论】：