scipy 和 numpy norm 之间的性能差异

Question

我一直假设scipy.linalg.norm()并且numpy.linalg.norm()是等效的（scipy 版本过去不接受轴参数，但现在接受了）。但是，以下简单示例产生了显着不同的性能：这背后的原因是什么？

In [1]: from scipy.linalg import norm as normsp
In [2]: from numpy.linalg import norm as normnp 
In [3]: import numpy as np
In [4]: a = np.random.random(size=(1000, 2000))

In [5]: %timeit normsp(a)
The slowest run took 5.69 times longer than the fastest. This could mean that an intermediate result is being cached.
100 loops, best of 3: 2.85 ms per loop

In [6]: %timeit normnp(a)
The slowest run took 6.39 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 558 µs per loop

scipy 版本是 0.18.1，numpy 是 1.11.1

Answer 1

查看源代码会发现它scipy有自己的norm函数，它环绕numpy.linalg.norm或 BLAS 函数，该函数较慢但可以更好地处理浮点溢出（请参阅有关此PR 的讨论）。

但是，在您提供的示例中，它看起来不像 SciPy 使用 BLAS 函数，所以我认为它不是您看到的时差的原因。但是 scipy 在调用 numpy 版本的 norm 之前确实做了一些其他检查。特别是，无限检查a = np.asarray_chkfinite(a)是导致性能差异的嫌疑人：

In [103]: %timeit normsp(a)
100 loops, best of 3: 5.1 ms per loop

In [104]: %timeit normnp(a)
1000 loops, best of 3: 744 µs per loop

In [105]: %timeit np.asarray_chkfinite(a)
100 loops, best of 3: 4.13 ms per loop

所以它看起来np.asarray_chkfinite大致解释了评估规范所花费的时间差异。