Python 利用numpy高性能计算
来源:互联网 发布:spss预测后显示数据 编辑:程序博客网 时间:2024/05/21 19:28
Python 利用numpy高性能计算
numpy安装
使用anaconda或者intel的高性能python distribution安装。默认numpy已经链接mkl。
多线程线程数设置
export OMP_NUM_THREADS=N
N对应物理核心数为佳,如果代码写的不够好可以酌情加到超线程后逻辑核心数。
如:i7 6800K,6核12线程。纯高性能计算N设置为6,如果操作的不是连续内存可以最大设置到12。
编程注意事项
使用库函数
# normimport numpy as npnorm_val = np.norm(a)
使用库函数远比手写表达式简单快速,特别是链接了BLAS后性能超过C手写循环甚至分治法。因为BLAS库往往能够很好地根据矩阵选择合适的算法,加入SIMD,Cache优化等tricks。
Mask
例如:
a = np.random.rand(10,20,30) #10x20x30 matrixprint(a[a>0.5])
这样远比用循环速度快。
map In NumPy
目标函数:
import numpy as npx = np.random.rand(2000)np.vectorize(lambda x:x if x<0.5 else x** 2.0)(x)#1000 loops, best of 3: 188 µs per loopf = lambda x: x if x<0.5 else x ** 2.0np.fromiter((f(xi) for xi in x),x.dtype,count=len(x))#1000 loops, best of 3: 237 µs per loopnp.where(x<5,x,x**2.0)# 100000 loops, best of 3: 3.9 µs per loopnp.array(map(f,x))# 1000000 loops, best of 3: 1.32 µs per loopnp.array([f(xi) for xi in x])# 1000 loops, best of 3: 238 µs per loop
阅读全文
0 0
- Python 利用numpy高性能计算
- python科学计算numpy
- python科学计算:numpy
- Python 科学计算 -- Numpy
- 利用高性能计算加速深度学习算法
- python科学计算之Numpy
- Python科学计算之NumPy
- Python科学计算包NumPy
- Python科学计算库NumPy
- Python Numpy计算各类距离
- python科学计算值numpy
- Python 进行科学计算:NumPy
- 代码干货 | Python高性能计算库——Numba
- python学习[4]_利用numpy做一些距离的计算
- Numpy基础 --数组和矢量计算 利用Python进行数据分析读书笔记
- 《利用Python进行数据分析》笔记---第4章NumPy基础:数组和矢量计算
- 高性能计算
- 高性能计算
- Unity3d 空间变换中齐次矩阵的w小秘密
- 第十二周——项目一—最短路径(4)Floyd算法验证(每对顶点之间的最短路径)
- 第十四周项目一(2)——验证算法之直接插入排序
- Kotlin学习--控制语法之when
- 基于SSH框架全注解简单实例
- Python 利用numpy高性能计算
- 选择法排序
- MSYQL 取拼音首字母
- 牛客 拜访
- 线性代数总结
- SpringMvc最全的约束——你的感冒清个人总结
- iOS 图标上下浮动的动画效果
- 第十四周项目三
- Linux下编写php扩展