在 python 与 matlab 中填充矩阵的速度

Question

我正在测试 Python 与 Matlab 相比的速度。我决定转向 Python 是因为它有很多优势，但我想比较一下速度，看看在这方面有什么不同。

我测试了一些 for 循环来填充 1000 x 1000 矩阵，如下所示：

from numpy import *

sizeM = 1000
y = zeros((sizeM,sizeM))
x = 4
tic = time.clock()

for i in range(sizeM):
    for j in range(sizeM):
        y[i,j] = cos(i*j) + i * sin(x**2);

toc = time.clock()
time = toc-tic

time 以这种方式为 5.93 秒。但在 Matlab 中，使用以下代码只需要 0.11 秒：

tic
sizeM = 1000;
y = zeros(sizeM);
x =4;
for i = 1:sizeM
     for j = 1:sizeM
         y(i,j) = cos(i*j) + i * sin(x^2);
     end
end

toc

我的问题是：

是这样吗？

Matlab 在执行嵌套 for 循环时是否比 Python 快？还是我在这里做错了什么？

感谢您的帮助。

Answer 1

我希望您知道在这两种语言中您都应该编写矢量化代码！

1. 我相信，Matlab 有一个即时加速器，它可能会启动这样的表达式，我不确定如果你在内部循环中调用自己的函数会发生什么。
2. 循环本身并不是万能的，大多数情况下，最内层循环的内容更为重要。因此，嵌套循环是更慢还是更快的整个问题可能通常是错误的问题。
3. NumPy 是为与 数组 一起工作而编写的。给它这样的标量会增加很多开销，如果你真的想使用浮点标量（你不应该因为你可以向量化操作），你不妨使用math.sin...

不管怎样，对比一下向量化的代码：

i, j = np.ogrid[:1000,:1000] # or whatever else you want to use
y = np.cos(i * j) + i * np.sin(x**2)

也许您可以进一步优化它，但这不重要。

---

由于似乎讨论可能从这里开始，我不确定 matlab 的开销对于标量是多少，可能非常小（在成功的 JIT 下肯定是这样），但这是为了解释为什么这个代码片段使用 numpy 可能会很慢。请不要进行语言比较...

可以肯定地说，特别是如果 JIT 在 matlab 中发挥作用，则有必要在 NumPy 中尝试更加努力地矢量化（或移植到在这两种语言中都适用的编译语言）对速度敏感的代码。

Answer 2

答案是你真的没有在这里测试嵌套循环。 大部分时间不会花在循环上，而是花在评估循环中的表达式上。

如果你想测试循环和矩阵的填充，你可以做一些更简单的事情，比如：

from numpy import *

sizeM = 1000
y = zeros((sizeM,sizeM))
x = 4
tic = time.clock()

for i in range(sizeM):
    for j in range(sizeM):
        y[i,j] = 1;

toc = time.clock()
time = toc-tic

相比：

sizeM = 1000;
y = zeros(sizeM);
x =4;
tic
for i = 1:sizeM
     for j = 1:sizeM
         y(i,j) = 1;
     end
end
toc

Answer 3

JIT compiler 有助于优化 MATLAB for 循环（尽管 Python 也支持某些形式的 JIT 编译）。您可以使用feature accel off 和feature accel on 禁用/启用 JIT 加速器，然后使用以下代码再次测试。 蟒蛇：

import time    
sizeM = 1000

tic = time.clock()

for i in range(sizeM):
   for j in range(sizeM):
      pass

toc = time.clock()
time = toc-tic
print time

Matlab 测试1：

sizeM = 1000;
tic
for i = 1:sizeM
   for j = 1:sizeM
     ;
   end
end
toc

Matlab 测试2：

sizeM = 1000;
tic
for i = [1:sizeM]
   for j = [1:sizeM]
     ;
   end
end
toc

你还可以比较range(sizeM)和xrange(sizeM)的速度，如果你喜欢的话。