使用Python优化的点积

使用Python优化的点积

我只是为了好玩而写了一个使用numpy的“ d4”：

from numpy import dotdef d4(v1, v2):     check(v1, v2)    return dot(v1, v2)

我的结果（Python 2.5.1，XP Pro sp3、2GHz Core2 Duo T7200）：

d0 elapsed:  12.1977242918d1 elapsed:  13.885232341d2 elapsed:  13.7929552499d3 elapsed:  11.0952246724

过去了d4：56.3278584289＃变得麻木了！

而且，为了获得更多乐趣，我打开了psyco：

d0 elapsed:  0.965477735299d1 elapsed:  12.5354792299d2 elapsed:  12.9748163524d3 elapsed:  9.78255448667

过去的d4：54.4599059378

基于此，我宣布d0为赢家:)

---

更新资料

@ kaiser.se：我可能应该提到我确实先将所有内容转换为numpy数组：

from numpy import arrayv3 = [array(vec) for vec in v1]v4 = [array(vec) for vec in v2]# thent4 = timeit.Timer("d4(v3,v4)","from dot_product import d4,v3,v4")

我包括了，

check(v1,v2)

因为它包含在其他测试中。放弃它会给numpy一个不公平的优势（尽管看起来它可以使用一个）。数组转换减少了大约一秒钟（比我想象的要少得多）。

我所有的测试均以N = 50进行。

@nikow：我使用的numpy 1.0.4无疑是旧的，自从我安装了numpy以来，它们在过去一年半的时间里肯定有提高的表现。

---

更新＃2

@ kaiser.se哇，您完全正确。我一定一直以为这些是列表列表或其他内容（我真的不知道我在想什么……对编程为+1）。

看起来如何：

v3 = array(v1)v4 = array(v2)

新结果：

d4 elapsed:  3.22535741274

使用Psyco：

d4 elapsed:  2.09182619579

d0仍然可以通过Psyco获胜，但是numpy总体上可能更好，尤其是对于较大的数据集。

昨天，我对缓慢的numpy结果感到不安，因为numpy可能用于 大量 计算并且已经进行了很多优化。显然，尽管如此，我还是不愿意去检查我的结果:)