0

np.float32 と組み込みの Python int および float の間でバイナリ演算 (加算や乗算など) を実行し、戻り値の型として np.float32 を取得したいと考えています。ただし、np.float64 に自動的にアップキャストされます。

コード例:

>>> a = np.float32(5)
>>> a.dtype
dtype('float32')
>>> b = a + 2
>>> b.dtype
dtype('float64')

np.float128 でこれを行うと、b も np.float128 になります。これにより、精度が維持されるため、これは良いことです。ただし、私の例では精度を維持するために np.float64 へのアップキャストは必要ありませんが、それでも発生します。2 ではなく 2.0 (Python float (64 ビット)) を a に追加した場合、キャストは理にかなっています。しかし、ここでも、私はそれを望んでいません。

私の質問は次のとおりです。二項演算子を np.float32 と組み込みの Python int/float に適用するときに行われるキャストを変更するにはどうすればよいですか? または、すべての計算で倍精度ではなく単精度を標準にすることも、解決策としてカウントされます。倍精度は必要ないからです。他の人がこれを求めており、解決策が見つかっていないようです。

私はnumpy配列とdtypesについて知っています。ここで、配列は常にその dtype を保持するため、必要な動作が得られます。ただし、配列の単一の要素に対して操作を行うと、望ましくない動作が発生します。np.ndarray (または np.float32) のサブクラス化と __array_priority__ の値の変更を含む、漠然とした解決策があります。これまでのところ、私はそれを機能させることができませんでした。

なぜ私は気にするのですか？Numba を使用して n-body コードを記述しようとしています。これが、配列全体に対して単純に操作を行うことができない理由です。すべての np.float64 を np.float32 に変更すると、速度が約 2 倍になります。これは重要です。np.float64 キャスト動作は、この高速化を完全に台無しにするのに役立ちます。これは、np.float32 配列に対するすべての操作が 64 精度で行われ、その後 32 精度にダウンキャストされるためです。

4

1 に答える 1

2

NumPy の動作や、Numba をどのように使用しようとしているのかについてはわかりませんが、Numba の型について明示することが役立つ場合があります。たとえば、次のようなことをするとします。

@jit
def foo(a):
    return a[0] + 2;

a = np.array([3.3], dtype='f4')
foo(a)

a[0] の float32 値は、追加操作の前に float64 に昇格されます (llvm IR に飛び込むことを気にしない場合は、numba コマンドを使用してコードを実行し、 --dump- llvm または --dump-optimized フラグ: numba --dump-optimized numba_test.py)。ただし、戻り値の型を float32 として含む関数シグネチャを指定すると、次のようになります。

@jit('f4(f4[:]'))
def foo(a):
    return a[0] + 2;

a[0] の値は float64 に昇格されませんが、結果は float64 にキャストされるため、関数が Python ランドに戻ったときに Python float オブジェクトに変換できます。

結果を保持するために事前に配列を割り当てることができる場合は、次のようにすることができます。

@jit
def foo():
    a = np.arange(1000000, dtype='f4')
    result = np.zeros(1000000, dtype='f4')
    for i in range(a.size):
        result[0] = a[0] + 2

自分でループを実行している場合でも、コンパイルされたコードのパフォーマンスは NumPy ufunc に匹敵し、float64 へのキャストは発生しないはずです (繰り返しますが、これは Numba が生成する llvm IR を見ることで確認できます)。

于 2014-09-19T21:16:29.567 に答える