- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在使用不同数据类型的 numpy 数组进行多重处理时,我遇到了意外错误。首先,我使用 int64
类型的 numpy 数组执行多重处理,并使用 float64
类型的 numpy 数组再次运行它。 int64
按预期运行,而 float64
使用所有可用处理器(比我分配的处理器多),导致计算速度比使用单核慢。
以下示例重现了该问题:
def array_multiplication(arr):
new_arr = arr.copy()
for nnn in range(3):
new_arr = np.dot(new_arr, arr)
return new_arr
if __name__ == '__main__':
from multiprocessing import Pool
import numpy as np
from timeit import timeit
# Example integer arrays.
test_arr_1 = np.random.randint(100, size=(100, 100))
test_arr_2 = np.random.randint(100, size=(100, 100))
test_arr_3 = np.random.randint(100, size=(100, 100))
test_arr_4 = np.random.randint(100, size=(100, 100))
# Parameter array.
parameter_arr = [test_arr_1, test_arr_2, test_arr_3, test_arr_4]
pool = Pool(processes=len(parameter_arr))
print('Multiprocessing time:')
print(timeit(lambda: pool.map(array_multiplication, parameter_arr),
number=1000))
print('Series time:')
print(timeit(lambda: list(map(array_multiplication, parameter_arr)),
number=1000))
将会产生
Multiprocessing speed:
4.1271785919998365
Series speed:
8.102764352000122
这是预期的加速。
但是,将 test_arr_n
替换为
test_arr_1 = np.random.normal(50, 30, size=(100, 100))
test_arr_2 = np.random.normal(50, 30, size=(100, 100))
test_arr_3 = np.random.normal(50, 30, size=(100, 100))
test_arr_4 = np.random.normal(50, 30, size=(100, 100))
结果
Multiprocessing time:
2.379720258999896
Series time:
0.40820308100001057
除了使用所有可用处理器之外,我已指定 4。下面是运行第一种情况 (int64
) 和第二种情况 (float64) 时处理器使用情况的屏幕截图
)。
以上是 int64
情况,其中向四个处理器分配任务,然后由一个处理器串行计算该任务。
但是,在 float64
情况下,即使指定的数量是 test_arr
的数量(即 4),所有处理器都会被使用。
我已经在array_multiplication
中的for
循环中尝试了许多数组大小大小和迭代次数,并且行为是相同的。我运行的是 Ubuntu 16.04 LTS,具有 62.8 GB 内存和 i7-6800k 3.40GHz CPU。
为什么会发生这种情况?提前致谢。
最佳答案
这是预期的行为。
Numpy 使用 BLAS内部(对于某些功能)是高度优化的(缓存、SIMD,并且取决于您使用的实现:多线程;一些候选实现 Atlas、OpenBLAS、MKL),并且仅因某些外部多处理(具有基于 IO 的功能)而减慢速度开销并且也可能损害缓存行为)!
现代 Ubuntu 版本默认带有多线程 BLAS 实现(早期版本仅限于 1 或 2 个线程)。
numpy 中基于 BLAS 的函数的经典示例是 np.dot()
。
大多数 BLAS 实现(我所知道的;看到了一些讨论 @Intel 以向 MKL 添加对离散类型的一些有限支持)only support floating-point types ,这就是为什么这两个代码表现不同的原因(一个高度优化,另一个没有;一个受到多处理的伤害,另一个则没有)。
从技术上讲,我不会称其为错误,但这是您描述的观察结果!
相关question .
关于python - 使用不同数据类型的 numpy 数组进行多重处理时出现意外行为,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46200272/
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!