首页 / 深度学习 / 神经网络与深度学习笔记（四）：向量化以提高计算速度

神经网络与深度学习笔记（四）：向量化以提高计算速度

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了神经网络与深度学习笔记（四）：向量化以提高计算速度，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含698字，纯文字阅读大概需要1分钟。

内容图文

我们在计算模型w的转置乘上x的时候，往往需要把w和x分别进行向量化然后运算，因为这样会使我们的计算机得到结果的时间更快，而且这种方法不管是在CPU还是在GPU上都是成立的，首先我们来看看代码：

            import
             numpy as np

            import
             time
a=np.random.rand(1000000)
b=np.random.rand(1000000)
toc=time.time()
c=np.dot(a,b)
tic=time.time()
print("向量化之后计算的时间为："+str(1000*(tic-toc))+"ms")
c=0
tic=time.time()
for i in range(1000000):
    c+=a[i]*b[i]
toc=time.time()
print("不做向量化计算之后的时间为："+str(1000*(toc-tic))+"ms")

第一种方法方法运用了向量化来计算，也就是numpy当中的dot函数来计算，第二种方法则是利用了我们传统的for循环来进行计算，我们对每一个方法所的时间都做了记录，输出的结果如下：

向量化之后计算的时间为：1.0008811950683594ms
不做向量化计算之后的时间为：449.3072032928467ms
因此我们可以看到向量化之后的计算速度比之前使用常规方法快了大概四百倍，因此使用numpy来进行计算将会成为我们之后进行计算的首选方法。

 

原文：https://www.cnblogs.com/geeksongs/p/11145776.html

内容总结

以上是互联网集市为您收集整理的神经网络与深度学习笔记（四）：向量化以提高计算速度全部内容，希望文章能够帮你解决神经网络与深度学习笔记（四）：向量化以提高计算速度所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1120176.html

来源：【匿名】