正如评论中所猜到的,我可以确认数组的处理是按块完成的。首先,我将向您展示代码中的内容,然后向您展示如何更改块大小以及这样做对基准的影响。
np.all(x)与x.all()相同。all()真正调用np.core.umath.logical_and.reduce(x)。
如果您想深入了解numpy源,我将尝试引导您找到使用缓冲区/块大小的方法。我们将要查看的包含所有代码的文件夹是numpy / core / src / umath /。
ufunc_object.c中的PyUFunc_Reduce()是处理reduce的C函数。在PyUFunc_Reduce()中,可以通过PyUFunc_GetPyValues()函数(ufunc_object.c)在某些全局词典中查找reduce的值来找到块或缓冲区的大小。在我的计算机上,并从开发分支进行编译,块大小为8192。reduce.c中的PyUFunc_ReduceWrapper()被调用以设置迭代器(步长等于块大小),并调用传入的循环函数是ufunc_object.c中的reduce_loop()。
reduce_loop()基本上只使用迭代器,并为每个块调用另一个innerloop()函数。innerloop函数位于loops.c.src中。对于布尔数组和我们的all / logical_and案例,适当的innerloop函数是BOOL_logical_and。您可以通过搜索BOOLEAN LOOPS找到合适的函数,然后找到它下面的第二个函数(由于此处使用类似模板的编程,因此很难找到它)。在那里,您会发现实际上每个块都发生了短路。
您可以使用np.getbuffersize()获得块/缓冲区的大小。对我来说,它返回8192而不需要手动设置它,与通过打印代码中的缓冲区大小找到的匹配。您可以使用np.setbuffersize()更改块大小。
import timeit
import numpy as np
print 'Numpy v%s' %np.version.full_version
stmt = "np.all(x)"
for ii in xrange(9):
setup = "import numpy as np; x = np.zeros(%d,dtype=np.bool); np.setbufsize(%d)" %(10**ii, max(8192, min(10**ii, 10**7)))
timer = timeit.Timer(stmt,setup)
n,r = 1,3
t = np.min(timer.repeat(r,n))
while t < 0.2:
n *= 10
t = np.min(timer.repeat(r,n))
t /= n
if t < 1E-3:
timestr = "%1.3f us" %(t*1E6)
elif t < 1:
timestr = "%1.3f ms" %(t*1E3)
else:
timestr = "%1.3f s" %t
print "Array size: 1E%i, %i loops, best of %i: %s/loop" %(ii,n,r,timestr)
Numpy不喜欢缓冲区大小过小或太大,因此我确保它不会小于8192或大于1E7,因为Numpy不喜欢缓冲区大小为1E8。否则,我将缓冲区大小设置为正在处理的数组的大小。我之所以只使用1E8,是因为我的机器目前只有4GB的内存。结果如下:
Numpy v1.8.0.dev-2a5c2c8
Array size: 1E0, 100000 loops, best of 3: 5.351 us/loop
Array size: 1E1, 100000 loops, best of 3: 5.390 us/loop
Array size: 1E2, 100000 loops, best of 3: 5.366 us/loop
Array size: 1E3, 100000 loops, best of 3: 5.360 us/loop
Array size: 1E4, 100000 loops, best of 3: 5.433 us/loop
Array size: 1E5, 100000 loops, best of 3: 5.400 us/loop
Array size: 1E6, 100000 loops, best of 3: 5.397 us/loop
Array size: 1E7, 100000 loops, best of 3: 5.381 us/loop
Array size: 1E8, 100000 loops, best of 3: 6.126 us/loop