在列表理解中加速 numpy.dot

Question

我有一个 numpy 脚本，目前运行速度很慢。 大部分时间都在循环中执行以下操作：

terms=zip(Coeff_3,Coeff_2,Curl_x,Curl_y,Curl_z,Ex,Ey,Ez_av)
res=[np.dot(C2,array([C_x,C_y,C_z]))+np.dot(C3,array([ex,ey,ez])) for (C3,C2,C_x,C_y,C_z,ex,ey,ez) in terms]
res=array(res) 

Ex[1:Nx-1]=res[1:Nx-1,0]
Ey[1:Nx-1]=res[1:Nx-1,1]

真正减慢代码速度的是列表理解。 在这种情况下，Coeff_3 和 Coeff_2 是长度为 1000 的列表，其元素是 3x3 numpy 矩阵，而 Ex、Ey、Ez、Curl_x 等都是长度为 1000 的 numpy 数组。 我意识到如果我设置单个 3x1000 E 向量之类的操作可能会更快，但是我必须在步骤之间对不同的 E 向量进行大量平均，这会使事情变得非常笨拙。

然而，奇怪的是，我在每个循环中执行两次此操作（一次用于 Ex、Ey，一次用于 Ez），而对 Ez 执行相同的操作几乎需要两倍的时间：

terms2=zip(Coeff_3,Coeff_2,Curl_x,Curl_y,Curl_z,Ex_av,Ey_av,Ez)
res2=array([np.dot(C2,array([C_x,C_y,C_z]))+np.dot(C3,array([ex,ey,ez])) for (C3,C2,C_x,C_y,C_z,ex,ey,ez) in terms2])

有人知道发生了什么吗？如果有什么明显的地方，请原谅我，我对 python 很陌生。

Answer 1

正如前面的 cmets 所指出的，使用数组操作。 np.hstack()、np.vstack()、np.outer() 和 np.inner() 在这里很有用。您的代码可能会变成这样（不确定您的尺寸）：

 Cxyz = np.vstack((Curl_x,Curl_y,Curl_z))
 C2xyz = np.dot(C2, Cxyz)
 ...

检查生成的尺寸的形状，以确保您正确翻译了问题。有时numexpr 也可以显着加快此类任务的速度，而无需付出额外的努力，