摘要:中的和中的矩陣分析由于之前在做的源碼學(xué)習(xí),并且將其的源碼翻譯成了的版本。在逛知乎里,我又發(fā)現(xiàn)了很多關(guān)于為什么這么快的討論,很有意思。作者鏈接來源知乎著作權(quán)歸作者所有。
python中的list和numpy中的矩陣分析
Author : Jasper Yang
School : Bupt
preface由于之前在做GIbbsLDA++的源碼學(xué)習(xí),并且將其c++的源碼翻譯成了python的版本。后來有朋友用我的實現(xiàn)在大數(shù)據(jù)量的情況下內(nèi)存跑崩潰了,仔細去網(wǎng)上一查,才發(fā)現(xiàn)了python中的list的實現(xiàn)方式是一種很泛化的面對各種類型的數(shù)據(jù)結(jié)構(gòu),這個結(jié)構(gòu)用來做二位數(shù)組比numpy中的narrays需要占用更多更過的內(nèi)存,后面我會詳細分析。(但是我發(fā)現(xiàn)好像并不是如此)
正文 他兩在使用上的區(qū)別l=[1,2L,3.0,"a"] # 這是一個放了不同數(shù)據(jù)類型的list a=np.array([1,2,3]) # list -> array b=np.array([[1,2,3],[4,5,6]]) c=list(a) # array到list的轉(zhuǎn)換 print l print a,np.shape(a) print b,np.shape(b) print c,np.shape(c)
程序輸出如下:
[1, 2L, 3.0, "a"] [1 2 3] (3,) [[1 2 3] [4 5 6]] (2, 3) [1, 2, 3] (3,)
可以看到list都有逗號來隔開,因為list中為每一個數(shù)據(jù)分配了一個指針,正因為這種實現(xiàn)方式所以可以面對不同的數(shù)據(jù)類型。但因如此,l用了4個指針和4個數(shù)據(jù)的內(nèi)存空間。
# numpy 定義矩陣 array=([[1,2,3], [4,5,6], [7,8,9]]) print array[1] print array[1][1]
5 [4, 5, 6]
下面我想看看tuple,list,array占用內(nèi)存的情況,用到了sys里的函數(shù)
import sys a = (1,2,3,4,5) b = [1,2,3,4,5] c = np.array([1,2,3,4,5]) d = np.array((1,2,3,4,5)) print(sys.getsizeof(a)) print(sys.getsizeof(b)) print(sys.getsizeof(c)) print(sys.getsizeof(d))
output:
# bytes 為單位 96 112 136 136
這么一看,有點太奇怪了,怎么會是用了array之后比list占用的內(nèi)存還要大~?
再試試
s1 = () s2 = [] s3 = zero(0) # 創(chuàng)建0矩陣,用array的方法 print(sys.getsizeof(s1)) print(sys.getsizeof(s2)) print(sys.getsizeof(s3))
output:
56 72 96
這里發(fā)現(xiàn)tuple初始化費用最小,list次之,array的最大,那么說明了array并沒有比占用更小的內(nèi)存空間,但是,沒錯,凡事都有但是。array在矩陣操作的性能上必然是大大大于list的,見網(wǎng)上總結(jié)如下。
Python 的 list 是動態(tài)類型,可以包含不同類型的元素,所以沒有支持諸如點乘等數(shù)學(xué)函數(shù),因為要為 list 實現(xiàn)這些操作會犧牲性能。
Numpy 數(shù)組是 靜態(tài)類型 并且 齊次。 元素類型在數(shù)組創(chuàng)建的時候就已經(jīng)確定了。
Numpy 數(shù)組節(jié)約內(nèi)存。(這點我不能贊同,難道是getsizeof統(tǒng)計不到指針?)
由于是靜態(tài)類型,對其數(shù)學(xué)操作函數(shù)(如矩陣乘法,矩陣加法)的實現(xiàn)可以使用 C 或者 Fortran 完成。
而且通過array的itemsize屬性發(fā)現(xiàn)每次增加數(shù)據(jù),array的開銷是更多的,也就是說數(shù)組越大,array占用的內(nèi)存比list多越多。
我從Python中優(yōu)化NumPy包使用性能的教程這里看到了一個很有意思的解釋。
為什么NumPy數(shù)組如此高效?
一個NumPy數(shù)組基本上是由元數(shù)據(jù)(維數(shù)、形狀、數(shù)據(jù)類型等)和實際數(shù)據(jù)構(gòu)成。數(shù)據(jù)存儲在一個均勻連續(xù)的內(nèi)存塊中,該內(nèi)存在系統(tǒng)內(nèi)存(隨機存取存儲器,或RAM)的一個特定地址處,被稱為數(shù)據(jù)緩沖區(qū)。這是和list等純Python結(jié)構(gòu)的主要區(qū)別,list的元素在系統(tǒng)內(nèi)存中是分散存儲的。這是使NumPy數(shù)組如此高效的決定性因素。
為什么這會如此重要?主要原因是:
低級語言比如C,可以很高效的實現(xiàn)數(shù)組計算(NumPy的很大一部分實際上是用C編寫)。例如,知道了內(nèi)存塊地址和數(shù)據(jù)類型,數(shù)組計算只是簡單遍歷其中所有的元素。但在Python中使用list實現(xiàn),會有很大的開銷。(這里也是提到了很大開銷,我很想知道怎么才能看到那很大的開銷在哪?)
內(nèi)存訪問模式中的空間位置訪問會產(chǎn)生顯著地性能提高,尤其要感謝CPU緩存。事實上,緩存將字節(jié)塊從RAM加載到CPU寄存器。然后相鄰元素就能高效地被加載了(順序位置,或引用位置)。
數(shù)據(jù)元素連續(xù)地存儲在內(nèi)存中,所以NumPy可以利用現(xiàn)代CPU的矢量化指令,像英特爾的SSE和AVX,AMD的XOP等。例如,為了作為CPU指令實現(xiàn)的矢量化算術(shù)計算,可以加載在128,256或512位寄存器中的多個連續(xù)的浮點數(shù)。
此外,說一下這樣一個事實:NumPy可以通過Intel Math Kernel Library (MKL)與高度優(yōu)化的線性代數(shù)庫相連,比如BLAS和LAPACK。NumPy中一些特定的矩陣計算也可能是多線程,充分利用了現(xiàn)代多核處理器的優(yōu)勢。
總之,將數(shù)據(jù)存儲在一個連續(xù)的內(nèi)存塊中,根據(jù)內(nèi)存訪問模式,CPU緩存和矢量化指令,可以確保以最佳方式使用現(xiàn)代CPU的體系結(jié)構(gòu)。
在逛知乎里,我又發(fā)現(xiàn)了很多關(guān)于為什么numpy這么快的討論,很有意思。
numpy的許多函數(shù)不僅是用C實現(xiàn)了,還使用了BLAS(一般Windows下link到MKL的,Linux下link到OpenBLAS)。基本上那些BLAS實現(xiàn)在每種操作上都進行了高度優(yōu)化,例如使用AVX向量指令集,甚至能比你自己用C實現(xiàn)快上許多,更不要說和用Python實現(xiàn)的比。。 作者:Zhipeng 鏈接:https://www.zhihu.com/question/30823702/answer/49696394 來源:知乎 著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán),非商業(yè)轉(zhuǎn)載請注明出處。
numpy底層使用BLAS做向量,矩陣運算。像求平均值這種vector operation,很容易使用multi-threading或者vectorization來加速。比如MKL就有很多優(yōu)化。
p.s. 一個小小的experiment可以看看(摘抄--大大的橙子)
from sys import getsizeof class A(object): pass class B: pass for x in (None, 1, 1L, 1.2, "c", [], (), {}, set(), B, B(), A, A()): print "{0:20s} {1:d}".format(type(x).__name__, sys.getsizeof(x)) NoneType 16 int 24 long 28 float 24 str 34 list 64 tuple 48 dict 272 set 224 classobj 96 instance 64 type 896 A 56一份numpy常用函數(shù)總結(jié)
arange
# create a range x = arange(0, 10, 1) # arguments: start, stop, step x => array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) x = arange(-1, 1, 0.1) x output: array([ -1.00000000e+00, -9.00000000e-01, -8.00000000e-01, -7.00000000e-01, -6.00000000e-01, -5.00000000e-01, -4.00000000e-01, -3.00000000e-01, -2.00000000e-01, -1.00000000e-01, -2.22044605e-16, 1.00000000e-01, 2.00000000e-01, 3.00000000e-01, 4.00000000e-01, 5.00000000e-01, 6.00000000e-01, 7.00000000e-01, 8.00000000e-01, 9.00000000e-01])
mgrid
x, y = mgrid[0:5, 0:5] print(x) print(y)
output:
array([[0, 0, 0, 0, 0], [1, 1, 1, 1, 1], [2, 2, 2, 2, 2], [3, 3, 3, 3, 3], [4, 4, 4, 4, 4]]) array([[0, 1, 2, 3, 4], [0, 1, 2, 3, 4], [0, 1, 2, 3, 4], [0, 1, 2, 3, 4], [0, 1, 2, 3, 4]])
linspace 和 logspace
linspace(0, 10, 20) logspace(0, 10, 10, base=e)
output:
array([ 0. , 0.52631579, 1.05263158, 1.57894737, 2.10526316, 2.63157895, 3.15789474, 3.68421053, 4.21052632, 4.73684211, 5.26315789, 5.78947368, 6.31578947, 6.84210526, 7.36842105, 7.89473684, 8.42105263, 8.94736842, 9.47368421, 10. ])
array([ 1.00000000e+00, 3.03773178e+00, 9.22781435e+00, 2.80316249e+01, 8.51525577e+01, 2.58670631e+02, 7.85771994e+02, 2.38696456e+03, 7.25095809e+03, 2.20264658e+04])
random data
random.rand(4,4) random.randn(4,4)
output:
array([[ 0.2659394 , 0.59798318, 0.16067613, 0.21704906], [ 0.98081628, 0.10926225, 0.86342814, 0.83130784], [ 0.83563301, 0.18313372, 0.73531414, 0.67861801], [ 0.38322499, 0.02943103, 0.43471297, 0.87099786]]) array([[ 0.18834898, 0.28862928, 0.58291415, 0.57712703], [ 0.75071525, -0.39247518, -0.35748584, -0.42839121], [-1.12789581, -0.67267265, -0.05525579, -0.89712592], [-0.14731484, -0.72237449, -0.16594984, 0.62914291]])
diag
diag([1,2,3]) diag([1,2,3], k=1)
output
array([[1, 0, 0], [0, 2, 0], [0, 0, 3]]) array([[0, 1, 0, 0], [0, 0, 2, 0], [0, 0, 0, 3], [0, 0, 0, 0]])
zeros 和ones
zeros((2,2)) ones((2,2)) output array([[ 0., 0.], [ 0., 0.]]) array([[ 1., 1.], [ 1., 1.]])
做了上面這份總結(jié)之后使用各種數(shù)據(jù)類型的創(chuàng)建就不用總是查找了,雖然都很簡單。
numpy的索引很有意思,基本分成了以下三類
花式索引 (arange)
索引列表 (take) -----> 最快
布爾掩碼 (compress)
一些優(yōu)化,在 stackoverflow 上看的,為了更好的記住這些trick我決定記在這篇博客里。
import numpy x = numpy.array([0] * 1000000) for i in range(1,len(x)): x[i] = x[i-1] + i a[0] += 1232234234234324353453453 OverflowError: Python int too large to convert to C long
可以變成
import numpy as np x = np.arange(1000000).cumsum() 同時上面出錯數(shù)字超出了范圍可以如下解決 a = np.array([0], dtype=object) a[0] += 1232234234234324353453453
使用 cumsum() 這樣做叫做 vectorized operations 。
全文完,希望能幫到你學(xué)到姿勢~
另外,給大家推薦一篇我的關(guān)于python中l(wèi)ist的實現(xiàn)的博客 ---> python中l(wèi)ist的實現(xiàn)
numpy中的矩陣屬于淺拷貝
a = np.zeros((2,2)) b = a b[1][1] = 1 print(a) a的值會被改變,這是因為這是淺拷貝,b獲得的是a的指針,數(shù)據(jù)區(qū)域還是一樣的
list則是深拷貝
a = [1,2,3,4] b = a b[2] = 6 print(a) a的值不會被改變,這是因為深拷貝,將數(shù)據(jù)區(qū)域包括指針都復(fù)制了一遍過來
還有一個numpy矩陣的廣播,這個是一個很神奇的使用方式
a = np.arange(0, 50, 10).reshape(-1, 1) b = np.arange(0, 4) print a print b
這時的輸出
[[ 0] [10] [20] [30] [40]] [0 1 2 3]
當我們使用廣播
np.add(a,b)
輸出變成了
array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14], [20, 21, 22, 23, 24], [30, 31, 32, 33, 34], [40, 41, 42, 43, 44], [50, 51, 52, 53, 54]])
是不是很神奇呢,用法一目了然。 see also --> numpy.broadcast
廣播用以描述numpy中對兩個形狀不同的陣列進行數(shù)學(xué)計算的處理機制。較小的陣列“廣播”到較大陣列相同的形狀尺度上,使它們對等以可以進行數(shù)學(xué)計算。廣播提供了一種向量化陣列的操作方式,因此Python不需要像C一樣循環(huán)。廣播操作不需要數(shù)據(jù)復(fù)制,通常執(zhí)行效率非常高。然而,有時廣播是個壞主意,可能會導(dǎo)致內(nèi)存浪費以致計算減慢。
paper done 2017/4/20
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/40629.html
摘要:本章學(xué)習(xí)兩個科學(xué)運算當中最為重要的兩個模塊,一個是一個是。這種工具可用來存儲和處理大型矩陣,比自身的嵌套列表結(jié)構(gòu)要高效的多該結(jié)構(gòu)也可以用來表示矩陣。專為進行嚴格的數(shù)字處理而產(chǎn)生。可以通過函數(shù)對相應(yīng)值進行打印檢驗。 本章學(xué)習(xí)兩個科學(xué)運算當中最為重要的兩個模塊,一個是 numpy,一個是 pandas。任何關(guān)于數(shù)據(jù)分析的模塊都少不了它們兩個。 一、numpy & pandas特點 NumP...
摘要:前言對的意義非凡,在數(shù)據(jù)分析與機器學(xué)習(xí)領(lǐng)域為立下了汗馬功勞。現(xiàn)在用搞數(shù)據(jù)分析或機器學(xué)習(xí)經(jīng)常使用的等庫,都需要基于構(gòu)建。毫不夸張地說,沒有,今天在數(shù)據(jù)分析與機器學(xué)習(xí)領(lǐng)域只能是捉襟見肘。 前言 numpy對python的意義非凡,在數(shù)據(jù)分析與機器學(xué)習(xí)領(lǐng)域為python立下了汗馬功勞。現(xiàn)在用python搞數(shù)據(jù)分析或機器學(xué)習(xí)經(jīng)常使用的pandas、matplotlib、sklearn等庫,都需...
摘要:首先介紹跟圖像處理顯示有關(guān)兩個庫和,然后介紹增強圖像對比度的實現(xiàn)原理。直方圖均衡化就是為了達到這個目的,均衡化后的圖像,像素落在每個灰度級上的個數(shù)是相等的。 首先介紹跟圖像處理、顯示有關(guān)兩個庫:NumPy和Matplotlib,然后介紹增強圖像對比度的實現(xiàn)原理。 NumPy NumPy是Python用于科學(xué)計算的基礎(chǔ)庫,提供了一些很有用的概念,如:N維數(shù)組對象,可用于表示向量、矩陣、圖...
摘要:從本博客開始,將系統(tǒng)的學(xué)習(xí)的數(shù)據(jù)分析的六大模塊,有關(guān)的基礎(chǔ)知識,可以看我的博客。專為進行嚴格的數(shù)字處理而產(chǎn)生。在實現(xiàn)一個程序之前,值得檢查下所需的數(shù)據(jù)處理方式是否已經(jīng)在中存在了。積分六官網(wǎng)為了解決數(shù)據(jù)分析而創(chuàng)建的庫。 從本博客開始,將系統(tǒng)的學(xué)習(xí)Python的數(shù)據(jù)分析的六大模塊numpy、scipy、matplotlib、pandas、scikit-learn、keras,有關(guān)Pytho...
摘要:理論基礎(chǔ)什么是神經(jīng)網(wǎng)絡(luò)我們知道深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支,是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu),對數(shù)據(jù)進行表征學(xué)習(xí)的算法。深度神經(jīng)網(wǎng)絡(luò)中的深度指的是一系列連續(xù)的表示層,數(shù)據(jù)模型中包含了多少層,這就被稱為模型的深度。 理論基礎(chǔ) 什么是神經(jīng)網(wǎng)絡(luò) 我們知道深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支,是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu),對數(shù)據(jù)進行表征學(xué)習(xí)的算法。而深度神經(jīng)網(wǎng)絡(luò)又是深度學(xué)習(xí)的一個分支,它在 wikipedia...
閱讀 3069·2021-09-28 09:43
閱讀 902·2021-09-08 09:35
閱讀 1440·2019-08-30 15:56
閱讀 1183·2019-08-30 13:00
閱讀 2732·2019-08-29 18:35
閱讀 1829·2019-08-29 14:07
閱讀 3432·2019-08-29 13:13
閱讀 1333·2019-08-29 12:40