矢量化和非矢量化数学计算

在深度学习中，我们通常要处理大量的数据集。当我们编写机器学习函数时，我们必须确保我们的代码在计算上是高效的，因此我们总是使用向量化。非计算最优函数可能会成为我们算法中的一个巨大瓶颈，并可能导致模型需要很长时间才能运行。

为了比较矢量化和非矢量化的计算时间，我们创建了介于11和99之间的随机数。我们创建两个列表：

让我们将DOT实现与for循环和NumPy库进行比较：

我们使用示例SIZE=10000尝试了上面的代码示例。结果是：未矢量化的计算时间：234.51972007751465；矢量化的计算时间：0.9977817535400391。从我们的结果可以看出，np.dot的速度要快200倍以上。

让我们将外部实现与for循环和NumPy库进行比较：

我们使用示例size=1000尝试了上面的代码示例。结果是：计算时间=747.028112411499计算时间=3.990650177001953从我们的结果可以看出，np.out速度更快，接近200倍。

让我们将ELEMENTWISE乘法实现与for循环和NumPy库进行比较：

我们使用示例SIZE=500000尝试了上面的代码示例。结果是：计算时间=334.1071605682373计算时间=1.9948482513427734从我们的结果可以看出，np.乘法速度更快，约为150倍。

让我们将常规DOT实现与for循环和NumPy库进行比较：

我们使用示例SIZE=500000尝试了上面的代码示例。结果是：计算时间=1468.2056903839111计算时间=3.125从我们的结果可以看出，一般的np.dot要快500倍左右。

正如您可能已经注意到的，矢量化实现要干净得多，效率也更高。向量和矩阵越大，运行时间的差异就越大。

结论：

请记住，向量化在深度学习中非常重要。我们知道什么是Sigmoid、Sigmoid导数、阵列整形、行归一化、广播、Softmax和矢量化。因此，在下一个教程中，我们将开始构建一个渐变下降函数，在那里一切都会变得更加精彩和有趣！我希望我们有一个小的热身，以帮助您在未来到这一点。

最初发表于https://pylessons.com/Logistic-Regression-part3https://pylessons.com/Logistic-Regression-part3