- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我想知道是否有人可以帮助我理解为什么以下两个程序以显着不同的速度运行(第一个程序大约需要 1/10 秒,第二个程序大约需要 3 秒)。
def gaussian(x, h, m, c):
return list(h * exp(-(x-m)**2/(2*c**2)))
x = np.linspace(0, 1000, 1001)
for i in range(1000):
gaussian(x, 50, 500, 10)
和
def gaussian2(x, h, m, c):
def computer(x):
return h * exp(-(x-m)**2/(2*c**2))
y = []
for val in x:
y.append(computer(val))
return y
x = np.linspace(0, 1000, 1001)
for i in range(1000):
gaussian2(x, 50, 500, 10)
我需要第二个版本的唯一原因是它让我可以查看列表中的所有元素,以便我可以使用它们执行其他操作(本示例中未说明)。但这不是我要问的——我要问为什么第二种形式比第一种形式慢得多。
谢谢!
最佳答案
MaxU 是对的,主要原因是 numpy 中的向量化数学比 Python 中的标量数学更快。然而,同样重要的是要记住,与循环 Python 列表相比,循环 numpy 数组会降低性能。在这种情况下,它并没有像数学那样显示出来,但在其他情况下,它可能是主要的减速因素
import numpy as np
import math
def gaussian(x, h, m, c):
return list(h * np.exp(-(x-m)**2/(2*c**2)))
def gaussian2(x, h, m, c):
def computer(x):
return h * math.exp(-(x-m)**2/(2*c**2))
y = []
for val in x:
y.append(computer(val))
return y
x = np.linspace(0, 1000, 1001)
x_list = x.tolist()
%timeit gaussian(x, 50, 500, 10)
%timeit gaussian2(x, 50, 500, 10)
%timeit gaussian2(x_list, 50, 500, 10)
产量:
10000 loops, best of 3: 114 µs per loop
100 loops, best of 3: 2.97 ms per loop
100 loops, best of 3: 2.35 ms per loop
很明显,最大的瓶颈是数学,但是与列表相比,循环 numpy 数组会稍微减慢。
关于python - 了解 numpy 数组的运行时?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38273975/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!