小编ajz*_*z34的帖子

由于 NumPy 的转置函数，我目前遇到了巨大的开销。我发现这个函数实际上总是在单线程中运行，无论转置矩阵/数组有多大。我可能需要避免这种巨大的时间成本。

据我了解，np.dot如果 numpy 数组足够大，其他函数（例如向量增量）将并行运行。一些按元素操作似乎在 numexpr 包中可以更好地并行化，但 numexpr 可能无法处理转置。

我想了解解决问题的更好方法。为了详细说明这个问题，

\n
• 有时，NumPy 运行转置速度超快（如B = A.T），因为转置后的张量不用于计算或转储，并且在此阶段不需要真正转置数据。调用时B[:] = A.T，确实会转置数据。
\n
• 我认为并行转置函数应该是一个解决方案。问题是如何实施。
\n
• 希望该解决方案不需要 NumPy 以外的软件包。ctype 绑定是可以接受的。希望代码不会太难使用，也不会太复杂。
\n
• 张量转置是一个优点。虽然转置矩阵的技术也可以用于特定的张量转置问题，但我认为为张量转置编写通用 API 可能很困难。我实际上还需要处理张量转置，但是处理张量可能会使这个 stackoverflow 问题复杂化。
\n
• 未来是否有可能实现并行转置，或者是否有计划？那么就不需要自己实现转置了;)
\n

在此先感谢您的任何建议！

当前的解决方法

在我的 Linux 个人计算机上处​​理模型转置问题（大小约为A763MB），可用 4 核（总共 400% CPU）。

A = np.random.random((9999, 10001))\nB = np.random.random((10001, 9999))\nD = np.random.random((9999, 10001))\n

当前的解决方法似乎不够有效。一般来说，如果在 4 核 CPU 上完全并行化，它应该会看到大约 3 倍~4 倍的加速，但我编写的代码只获得了大约 1.5 倍。 …