1

一个简短的说明：这个问题与我之前问过的另一个问题有关，但是由于在一个问答中提出多个问题被认为是不好的 SO 风格，所以我把它分开了。


设置

我有以下两种矩阵计算的实现：

  1. 第一个实现使用 amatrix of shape (n, m)并且计算在 for 循环中重复 for repetition-times：
import numpy as np


def foo():
    for i in range(1, n):
        for j in range(1, m):

            _deleteA = (
                        matrix[i, j] +
                        #some constants added here
            )
            _deleteB = (
                        matrix[i, j-1] +
                        #some constants added here
            )
            matrix[i, j] = min(_deleteA, _deleteB)

    return matrix

repetition = 3
for x in range(repetition):
    foo()


2. 第二种实现避免了额外的 for 循环，因此包含repetition = 3到矩阵中，然后是shape (repetition, n, m)：

def foo():
    for i in range(1, n):
        for j in range(1, m):

            _deleteA = (
                        matrix[:, i, j] +
                        #some constants added here
            )
            _deleteB = (
                        matrix[:, i, j-1] +
                        #some constants added here
            )
            matrix[:, i, j] = np.amin(np.stack((_deleteA, _deleteB), axis=1), axis=1)

    return matrix


问题

关于这两种实现，我发现了它们%timeit在 iPython 中的性能：

  1. 第一个实现更快（在我的测试用例中，n=1000，m=1000：17 秒对 26 秒）。为什么numpy在三维而不是二维上工作时会这么慢？
4

0 回答 0