Numpy车轮的效率和Numpy安装的简单基准

几个月(或几年?)五年前,我安装了一个小轮子,效率很低。因为,对于计算包,我避免使用轮子,而是更喜欢构建它们或使用conda。

我所说的“非常低效”,是指使用这个轮子的代码比平常慢10倍左右。我猜这个Numpy没有正确使用系统(Debian)上安装的Blas和/或Lapack实现。看见 https://docs.scipy.org/doc/numpy/user/building.html

请注意,对于Linux,轮子是在旧的CentOS上构建的( https://github.com/pypa/manylinux ).

但是,一般编译的Numpy(一个轮子)也可能比机器上编译的Numpy效率低,因为它没有使用以下选项进行编译: march=native ,所以我猜它只使用最通用的处理器指令。

这就是为什么我认为当我们真正关心性能时,需要能够检查安装的Numpy有多快。

现在我试着用 pyenv 和 pipenv ,这似乎非常方便,但使用不带轮子的pipenv将非常缓慢和不方便。

我想知道Numpy(和其他计算包)的轮子有多高效。

请注意,我在Numpy和Scipy的安装页面中没有发现任何关于轮子效率的信息( https://docs.scipy.org/doc/numpy/user/install.html 和 https://scipy.org/install.html#installing-via-pip )

我还想知道如何安装Numpy。我可以用一个非常简单的代码进行基准测试,比如

import numpy as np
a = np.random.rand(1000)
%timeit a @ a

这已经给出了一个好主意,但它只测试了一个Numpy函数。

我没有发现任何非常简单的事情。例如有 https://github.com/numpy/numpy/tree/master/benchmarks 但是你需要下载Numpy的源代码。我猜有些命令只使用安装的Numpy。

有工作台功能(例如 np.lib.bench() 或 np.random.bench() )但是文档不是很清楚,我不知道如何使用它们。

总而言之,我的问题是(是的,有两个问题,但它们密切相关,我不明白为什么应该分开):

• 当我们关心性能时,依赖轮子(尤其是Numpy)是一种好的做法吗?它会比使用(例如)康达制造的Numpy慢吗?

• 是否有简单的命令来对Numpy安装进行基准测试,并了解它们的整体性能?