python 幾種點積運算方式效率分析

本系列文章由 @yhl_leo 出品，轉載請註明出處。
文章鏈接： http://blog.csdn.net/yhl_leo/article/details/51793984

---

本文列舉出幾種python中常見的計算點積的方式，並統計隨着向量維度的增大，各種方法的計算效率上的差異。

運行環境：

• CPU：Intel® Core™ i7-5930K @ 3.50GHz
• Python： 2.7.6

代碼：

from itertools import izip, starmap, imap
import operator
import numpy as np
import time

r = range(10000)

# method 1
np.dot(r,r)

# method 2
sum(starmap(operator.mul, izip(r,r)))

# method 3
out = 0
for k in range(len(r)):
    out += r[k] * r[k]

# method 4
sum(map(operator.mul,r,r))

# method 5
sum(imap(operator.mul,r,r))

# method 6
sum(i*j for i, j in zip(r, r))

統計在不同向量維度：

10, 100, 1000, 2000, 3000, 4000, 5000, 8000, 10000

各運行三次：

10
1. 0.000285 0.000188 0.000309
2. 0.000117 6.3e-05 9.4e-05
3. 9.9e-05 6.1e-05 9.2e-05
4. 8.6e-05 4.4e-05 7.6e-05
5. 5.7e-05 4e-05 6.99999999999e-05
6. 9.3e-05 6e-05 8.29999999999e-05
100
1. 0.000513 0.00052 0.000504
2. 0.000169 0.000162 0.000167
3. 0.000451 0.000311 0.000288
4. 0.000137 0.000144 0.000153
5. 0.000131 0.000138 0.000141
6. 0.000224 0.000271 0.000216
1000
1. 0.001683 0.001687 0.001679
2. 0.000664 0.00065 0.000661
3. 0.002238 0.002301 0.002582
4. 0.000821 0.00089 0.00088
5. 0.000707 0.000928 0.000822
6. 0.001958 0.001948 0.00193
2000
1. 0.003138 0.00306 0.003158
2. 0.001197 0.001089 0.001075
3. 0.005211 0.004113 0.004399
4. 0.001891 0.001826 0.001953
5. 0.001415 0.001456 0.00173
6. 0.003595 0.003884 0.004285
3000
1. 0.004468 0.004292 0.004507
2. 0.001842 0.001727 0.001637
3. 0.007802 0.007341 0.006858
4. 0.002548 0.002274 0.0022
5. 0.002374 0.002348 0.002335
6. 0.005697 0.005613 0.005669
4000
1. 0.005946 0.005987 0.005954
2. 0.002251 0.002102 0.002189
3. 0.009069 0.010478 0.009226
4. 0.003149 0.003699 0.003363
5. 0.003032 0.003536 0.003142
6. 0.012805 0.012598 0.012316
5000
1. 0.007411 0.00731 0.007234
2. 0.002744 0.002508 0.002576
3. 0.012194 0.01231 0.009216
4. 0.003953 0.003815 0.003936
5. 0.00354 0.002698 0.002948
6. 0.013849 0.012262 0.015122
8000
1. 0.010604 0.011742 0.011604
2. 0.004712 0.004703 0.005037
3. 0.020271 0.014874 0.020436
4. 0.007199 0.006417 0.007193
5. 0.006887 0.006889 0.006892
6. 0.021665 0.021659 0.021992
10000
1. 0.01461 0.013028 0.014307
2. 0.005814 0.005789 0.005875
3. 0.023581 0.025064 0.025116
4. 0.008041 0.008833 0.008868
5. 0.007898 0.008619 0.008925
6. 0.025248 0.02643 0.026212

取運行時間的均值，繪製成曲線圖，可以看出，幾種方法裏，第2種方法的複雜度最小，隨着向量維度的增加，時間消耗增加比較緩慢，而其他方法則相對較大。