python – np.uint8和np.int8的不同执行时间

python – np.uint8和np.int8的不同执行时间,第1张

概述我有这段代码: #!/usr/bin/env python3# -*- coding: UTF-8 -*-import timeimport numpy as npfor t in [np.uint8, np.int8]: a=np.empty([480, 640], t) v=[10, 245] for y in range(480): for x in rang 我有这段代码:

#!/usr/bin/env python3# -*- Coding: UTF-8 -*-import timeimport numpy as npfor 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)

我得到这个输出:

3.162 ms uint80.329 ms int8

如果它在有符号数组上运行,为什么这个[a <32] = 0快十倍? 有没有办法在无符号数组上加速? 是的…它与更多样本相同:

for t in [np.int8,np.uint8]:  a=np.empty([480,50%=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)

结果如下:

328.0701 ms int83081.5300 ms uint8
解决方法 为了确保每个人都知道时差的来源,我将代码分解为每个步骤:

整个代码

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

100 loops,best of 3: 10.4 ms per loop

所以是的,整个 *** 作更快,但让我们看一下每个设置 *** 作所花费的时间:

%timeit tmp = np.array(a,copy=True); tmp[tmp < 30] = 0tmp = np.array(a,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视图会发生什么:

%timeit tmp = np.array(a,copy=True); _ = tmp[tmp < 30]tmp = np.array(a,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

对于int8:

100 loops,best of 3: 7.64 ms per loop

100 loops,best of 3: 4.3 ms per loop

还是int更快.那么创建布尔掩码呢:

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

100 loops,best of 3: 4.25 ms per loop

100 loops,best of 3: 2.58 ms per loop

对于int8:

100 loops,best of 3: 4.26 ms per loop

100 loops,best of 3: 4.08 ms per loop

简而言之:在创建布尔掩码时,dtype没有太大区别,但如果使用布尔掩码创建数据的新视图,使用int会更快.但这只是一种错觉,因为实际上numpy看到它访问第一个 *** 作中的所有元素(因为235在get8中被转换为-21)而在第二个 *** 作中没有元素.使用uint时,两个 *** 作的掩码都包含True和False(混合).

简介:numpy可以并且确实优化获取和设置数组的所有/没有元素.

在你提到的评论中,对于uint v = [10,100]更快,但在我的计算机上使用与上面相同的设置它们两者大致相同:

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

这是因为现在第一个 *** 作有一个混合的布尔掩码,而numpy不能像设置all / no元素那样优化它.但是第二个 *** 作有一个布尔掩码只有False所以numpy会跳过这个uint和int.

总结

以上是内存溢出为你收集整理的python – np.uint8和np.int8的不同执行时间全部内容,希望文章能够帮你解决python – np.uint8和np.int8的不同执行时间所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1197524.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-03
下一篇 2022-06-03

发表评论

登录后才能评论

评论列表(0条)

保存