python：计算向量到矩阵每一行的欧式距离的最快方法？

问题描述

考虑下面的python代码，在这里我尝试计算向量到矩阵每一行的欧式距离。与我使用Tullio.jl可以找到的最佳Julia版本相比，它非常慢。

python版本仅需 30s ，而Julia版本仅需 75ms 。

我确信我在Python中没有表现最好。有更快的解决方案吗？欢迎使用Numba和numpy解决方案。

import numpy as np

# generate
a = np.random.rand(4000000,128)

b = np.random.rand(128)

print(a.shape)
print(b.shape)



def lin_norm_ever(a,b):
    return np.apply_along_axis(lambda x: np.linalg.norm(x - b),1,a)


import time
t = time.time()
res = lin_norm_ever(a,b)
print(res.shape)
elapsed = time.time() - t
print(elapsed)

朱莉娅版本

using Tullio
function comp_tullio(a,c)
    dist = zeros(Float32,size(a,2))
    @tullio dist[i] = (c[j] - a[j,i])^2

    dist
end
@time comp_tullio(a,c)

@benchmark comp_tullio(a,c) # 75ms on my computer

解决方法

在本示例中，我将使用Numba以获得最佳性能。我还从Divakars链接答案中添加了两种方法进行比较。

代码

import numpy as np
import numba as nb
from scipy.spatial.distance import cdist

@nb.njit(fastmath=True,parallel=True,cache=True)
def dist_1(mat,vec):
    res=np.empty(mat.shape[0],dtype=mat.dtype)
    for i in nb.prange(mat.shape[0]):
        acc=0
        for j in range(mat.shape[1]):
            acc+=(mat[i,j]-vec[j])**2
        res[i]=np.sqrt(acc)
    return res

#from https://stackoverflow.com/a/52364284/4045774
def dist_2(mat,vec):
    return cdist(mat,np.atleast_2d(vec)).ravel()

#from https://stackoverflow.com/a/52364284/4045774
def dist_3(mat,vec):
    M = mat.dot(vec)
    d = np.einsum('ij,ij->i',mat,mat) + np.inner(vec,vec) -2*M
    return np.sqrt(d)

时间

#Float64
a = np.random.rand(4000000,128)
b = np.random.rand(128)
%timeit dist_1(a,b)
#122 ms ± 3.86 ms per loop (mean ± std. dev. of 7 runs,1 loop each)
%timeit dist_2(a,b)
#484 ms ± 3.02 ms per loop (mean ± std. dev. of 7 runs,1 loop each)
%timeit dist_3(a,b)
#432 ms ± 14.4 ms per loop (mean ± std. dev. of 7 runs,1 loop each)

#Float32
a = np.random.rand(4000000,128).astype(np.float32)
b = np.random.rand(128).astype(np.float32)
%timeit dist_1(a,b)
#68.6 ms ± 414 µs per loop (mean ± std. dev. of 7 runs,b)
#2.2 s ± 32.9 ms per loop (mean ± std. dev. of 7 runs,1 loop each)
#looks like there is a costly type-casting to float64
%timeit dist_3(a,b)
#228 ms ± 8.13 ms per loop (mean ± std. dev. of 7 runs,1 loop each)

numba numpy python