我必须存储numpy
矩阵列表。我试过两种方法:
1.创建一个list
并附加到它:
ls_ws=[]
for ind in range(iterations):
...
ls_ws.append(ls_w) # ls_w is a matrix of size 6,1
问题:开始时快,结束时慢。你知道吗
2.创建一个零矩阵并进行修改:
for ind in range(iterations):
...
ls_ws=np.matrix(np.zeros((6,iterations)))
问题:我不太确定,但无论每次迭代的速度如何,似乎都是一样的。
奇怪的是,如果我把迭代次数设为小数值,速度会很快。但是如果我把它设置为大的数字,比如1500,那么每次迭代(甚至第一次迭代)都非常慢。你知道吗
第二种方法应该是快速的,但是如果我将迭代次数设置为一个大的数字,则速度会非常慢。为什么?如何解决?你知道吗
使用列表的裸体版本:
时间以N表示
List append有可能在使用大型列表时变慢。列表使用一个缓冲区来保存指针,再加上一些扩展空间。当它超出这个空间时,它必须得到更多。如果不能“就地”展开,就必须请求新的空间并复制所有指针。这可能会减慢非常大的列表接近填满内存的速度。随着时间从123点到129点,我可能看到了一些暗示
时间也以N为单位,是列表大小写的两倍:
迭代最后一个维度在时间上没有区别
一次只分配/创建6个元素而迭代1000次是很糟糕的
numpy
实践。如果必须迭代,最好循环几次,每次都执行大型操作。例如6个循环,有1000个项目数组。你知道吗如果我将迭代向下移动到编译代码,时间会快得多
你谈到保存一个矩阵,甚至分配一个
np.matrix
。让我们看看它有什么影响:这使得每次迭代的时间延长了10倍。
matrix
是ndarray
的一个子类,需要更多的处理(强制它到2d等)。你知道吗我认为这里有一个很好的解决方案,但是您对列和行的处理可能会影响性能:
您应该在第一个维度而不是最后一个维度中进行迭代。您可以交换尺寸,或者只需执行以下操作:
当数组较大时,这可能会有所帮助,因为您将访问由6个元素组成的连续块,而不是每个迭代中分散的位。你知道吗
相关问题 更多 >
编程相关推荐