Por que a multiplicação de matrizes é mais rápida com numpy do que com ctypes no Python?
Eu estava tentando descobrir o caminho mais rápido para fazer a multiplicação de matrizes e tentei 3 maneiras diferentes:
Implementação pura em python: não há surpresas aqui.Implementação Numpy usandonumpy.dot(a, b)
Interface com C usandoctypes
módulo em Python.Este é o código C que é transformado em uma biblioteca compartilhada:
#include <stdio.h>
#include <stdlib.h>
void matmult(float* a, float* b, float* c, int n) {
int i = 0;
int j = 0;
int k = 0;
/*float* c = malloc(nay * sizeof(float));*/
for (i = 0; i < n; i++) {
for (j = 0; j < n; j++) {
int sub = 0;
for (k = 0; k < n; k++) {
sub = sub + a[i * n + k] * b[k * n + j];
}
c[i * n + j] = sub;
}
}
return ;
}
E o código Python que chama isso:
def C_mat_mult(a, b):
libmatmult = ctypes.CDLL("./matmult.so")
dima = len(a) * len(a)
dimb = len(b) * len(b)
array_a = ctypes.c_float * dima
array_b = ctypes.c_float * dimb
array_c = ctypes.c_float * dima
suma = array_a()
sumb = array_b()
sumc = array_c()
inda = 0
for i in range(0, len(a)):
for j in range(0, len(a[i])):
suma[inda] = a[i][j]
inda = inda + 1
indb = 0
for i in range(0, len(b)):
for j in range(0, len(b[i])):
sumb[indb] = b[i][j]
indb = indb + 1
libmatmult.matmult(ctypes.byref(suma), ctypes.byref(sumb), ctypes.byref(sumc), 2);
res = numpy.zeros([len(a), len(a)])
indc = 0
for i in range(0, len(sumc)):
res[indc][i % len(a)] = sumc[i]
if i % len(a) == len(a) - 1:
indc = indc + 1
return res
Eu apostaria que a versão usando C teria sido mais rápida ... e eu teria perdido! Abaixo está meu benchmark que parece mostrar que eu fiz isso incorretamente, ou quenumpy
é estupidamente rápido:
Eu gostaria de entender porque onumpy
versão é mais rápida que actypes
versão, eu nem estou falando sobre a implementação do Python puro, uma vez que é meio óbvio.