python - np.uint8 和 np.int8 的不同执行时间

Question

我有这段代码:

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-

import time
import numpy as np

for t in [np.uint8, np.int8]:
  a=np.empty([480, 640], t)
  v=[10, 245]
  for y in range(480):
    for x in range(640):
      a[y, x]=v[x&1]  # 50%=10, 50%=245
  t1=time.clock()
  a[a<32]=0
  a[a>224]=0
  t2=time.clock()
  print("%2.3f ms"%((t2-t1)*1000), a.dtype)

我得到了这个输出:

3.162 ms uint8
0.329 ms int8

为什么这是a[a<32]=0如果它在有符号数组上运行，速度会快十倍？

有没有办法在无符号数组上加速它？

是的......更多样本也是如此:

for t in [np.int8, np.uint8]:
  a=np.empty([480, 640], t)
  v=[10, 245]
  for y in range(480):
    for x in range(640):
      a[y, x]=v[x&1]  # 50%=10, 50%=235

  t1=time.process_time()
  for l in range(1000):
    b=1*a  # deep copy
    b[b<32]=0
    b[b>224]=0
  t2=time.process_time()
  print("%5.4f ms"%((t2-t1)*1000), a.dtype)

结果是这样的:

328.0701 ms int8
3081.5300 ms uint8

Answer 1

为了确保每个人都知道时差的来源，我将代码分解为每个单独的步骤:

完整代码

%%timeit 
tmp = np.array(a, dtype=np.uint8, copy=True)
tmp[tmp < 30] = 0
tmp[tmp > 224] = 0

10 loops, best of 3: 21.6 ms per loop

%%timeit 
tmp = np.array(a, dtype=np.int8, copy=True)
tmp[tmp < 30] = 0
tmp[tmp > 224] = 0

100 loops, best of 3: 10.4 ms per loop

是的，整个操作速度更快，但让我们看看每个设置操作所花费的时间:

%timeit tmp = np.array(a, dtype=np.uint8, copy=True); tmp[tmp < 30] = 0
tmp = np.array(a, dtype=np.uint8, copy=True)
tmp[tmp < 30] = 0
%timeit tmp2 = np.array(tmp, copy=True); tmp2[tmp2 > 224] = 0

100 loops, best of 3: 19.3 ms per loop

100 loops, best of 3: 17.6 ms per loop

因此对于 int8，每个设置都需要相同的时间:

100 loops, best of 3: 6.75 ms per loop

100 loops, best of 3: 4.36 ms per loop

让我们看看如果我们只根据索引创建一个新 View 会发生什么:

%timeit tmp = np.array(a, dtype=np.uint8, copy=True); _ = tmp[tmp < 30]
tmp = np.array(a, dtype=np.uint8, copy=True)
tmp[tmp < 30] = 0
%timeit tmp2 = np.array(tmp, copy=True); _ = tmp2[tmp2 > 224]

100 loops, best of 3: 17.9 ms per loop

100 loops, best of 3: 16.2 ms per loop

和int8 :

100 loops, best of 3: 7.64 ms per loop

100 loops, best of 3: 4.3 ms per loop

静止int是比较快的。那么如何创建 bool 掩码:

%timeit tmp = np.array(a, dtype=np.uint8, copy=True); _ = tmp < 30
tmp = np.array(a, dtype=np.uint8, copy=True)
tmp[tmp < 30] = 0
%timeit tmp2 = np.array(tmp, copy=True); _ = tmp2 > 224

100 loops, best of 3: 4.25 ms per loop

100 loops, best of 3: 2.58 ms per loop

和int8 :

100 loops, best of 3: 4.26 ms per loop

100 loops, best of 3: 4.08 ms per loop

长话短说:在创建 bool 掩码时，dtype 没有太大区别，但如果您使用 bool 掩码创建数据的新 View ，则使用 int 会快得多。 .但这只是一种错觉，因为实际上 numpy 看到它在第一个操作中访问了 所有 元素(因为 235 get 在 int8 中被转换为 -21)并且 no 中的元素第二次手术。与 uint both 操作的掩码同时包含 True 和 False(混合)。

总结:因此 numpy 可以并且确实优化了获取和设置数组的所有/没有元素。

在您提到的评论中，使用 v=[10,100] 会更快对于 uint但在我的电脑上，设置与上面相同，两者大致相同:

uint: 10 loops, best of 3: 21.7 ms per loop
int:  10 loops, best of 3: 23.2 ms per loop

这是因为现在第一个操作有一个混合的 bool 掩码，而 numpy 不能像设置所有/没有元素那样优化它。但是第二个操作有一个 bool 掩码只有 False所以 numpy 会为 uint 和 int 跳过这个。