自定义numpy的向量化操作的效率问题 [英] Efficiency problem of customizing numpy's vectorized operation

问题描述

我有一个下面给出的python函数:

I have a python function given below:

def myfun(x):
    if x > 0:
        return 0
    else:
        return np.exp(x)

其中 np 是 numpy 库.我想让函数在 numpy 中向量化，所以我使用:

where np is the numpy library. I want to make the function vectorized in numpy, so I use:

vec_myfun = np.vectorize(myfun)

我做了一个测试来评估效率.首先我生成一个包含 100 个随机数的向量:

I did a test to evaluate the efficiency. First I generate a vector of 100 random numbers:

x = np.random.randn(100)

然后我运行以下代码来获取运行时:

Then I run the following code to obtain the runtime:

%timeit np.exp(x)

%timeit vec_myfun(x)

np.exp(x) 的运行时间为 1.07 µs ± 24.9 ns 每个循环(平均值 ± 标准偏差，7 次运行，每次 1000000 次循环).

vec_myfun(x) 的运行时间为 71.2 µs ± 1.68 µs 每个循环(平均值 ± 标准偏差，7 次运行，每次 10000 次循环)

我的问题是:与np.exp相比，vec_myfun只有一个额外的步骤来检查$x$的值，但它的运行速度比np.exp.有没有一种有效的方法可以将 myfun 向量化，使其与 np.exp 一样高效?

My question is: compared to np.exp, vec_myfun has only one extra step to check the value of $x$, but it runs much slowly than np.exp. Is there an efficient way to vectorize myfun to make it as efficient as np.exp?

推荐答案

ufunc 就像 np.exp 有一个 where 参数，它可以用作:

ufunc like np.exp have a where parameter, which can be used as:

In [288]: x = np.random.randn(10)
In [289]: out=np.zeros_like(x)
In [290]: np.exp(x, out=out, where=(x<=0))
Out[290]: 
array([0.        , 0.        , 0.        , 0.        , 0.09407685,
       0.92458328, 0.        , 0.        , 0.46618914, 0.        ])
In [291]: x
Out[291]: 
array([ 0.37513573,  1.75273458,  0.30561659,  0.46554985, -2.3636433 ,
       -0.07841215,  2.00878429,  0.58441085, -0.76316384,  0.12431333])

这实际上跳过了 where 为假的计算.

This actually skips the calculation where the where is false.

相反:

np.where(arr > 0, 0, np.exp(arr))

首先为所有arr计算np.exp(arr)(这是正常的Python求值顺序)，然​​后执行where选择.使用这个 exp 没什么大不了的，但是使用 log 可能会有问题.

calculates np.exp(arr) first for all arr (that's normal Python evaluation order), and then performs the where selection. With this exp that isn't a big deal, but with log it could be problems.

这篇关于自定义numpy的向量化操作的效率问题的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！