NumPy ufunc通用函数

NumPy 提供了两种基本的对象，即 ndarray 和 ufunc 对象。前面几节已经介绍了 ndarray，本节将介绍 Numpy。ufunc 是 universal function 的缩写，意思是 通用函数 ，它是一种能对数组的每个元素进行操作的函数。

许多 ufunc 函数都是用C语言级别实现的，因此它们的计算速度非常快。

此外，ufun 比 math 模块中的函数更灵活。math 模块的输入一般是标量，但 NumPy 中的函数可以是向量或矩阵，而利用向量或矩阵可以避免使用循环语句，这点在机器学习、深度学习中非常重要。

math.sin: 0.5169950000000005
numpy.sin: 0.05381199999999886

由此可见，numpy.sin 比 math.sin 快近 10 倍。

循环与向量运算比较

充分使用 Python 的 NumPy 库中的内建函数（Built-in Function），来实现计算的向量化，可大大地提高运行速度。NumPy 库中的内建函数使用了 SIMD 指令。如下使用的向量化要比使用循环计算速度快得多。如果使用 GPU，其性能将更强大，不过 Numpy 不支持 GPU。

请看下面的代码：

import time

import numpy as np

x1 = np.random.rand(1000000)

x2 = np.random.rand(1000000)

##使用循环计算向量点积

tic = time.process_time()

dot = 0

for i in range(len(x1)):

dot+= x1[i]*x2[i]

toc = time.process_time()

print ( dot = + str(dot) + /n for loop----- Computation time = + str(1000*(toc - tic)) + ms )

##使用numpy函数求点积

tic = time.process_time()

dot = 0

dot = np.dot(x1,x2)

toc = time.process_time()

print ( dot = + str(dot) + /n verctor version---- Computation time = + str(1000*(toc - tic)) + ms )

输出结果：

dot = 250215.601995
for loop Computation time = 798.3389819999998ms
dot = 250215.601995
verctor version - Computation time = 1.885051999999554ms

从运行结果上来看，使用 for 循环的运行时间大约是向量运算的 400 倍。因此，在深度学习算法中，一般都使用向量化矩阵进行运算。

23609.html

C语言NumPypython