超级会员免费看
本文介绍了计算向量化作为优化计算效率的方法，通过对比Numpy的向量化操作与C/C++的标量计算，强调了硬件支持的向量指令集的重要性。特别是，文章探讨了Intel CPU的AVX2指令集如何提供高性能的向量计算，为神经网络计算带来显著加速。下一部分将深入讨论AVX2指令集的细节。
接下来的几篇文章，会利用向量化指令来加速神经网络的计算，先学习一下什么是计算向量化。
计算的向量化是一种对计算的优化方法，简单来说，就是让计算机在计算数据时，同一时间计算多个数据，而不是一个一个的循环计算，这样可以大幅提高计算的效率。
计算向量化的概念，其实和线性代数中的向量运算有点类似。
在线性代数中，向量运算比如向量点积，做的一整个向量的运算，映射到计算机来执行这个运算时，则依赖于计算机底层硬件对于向量指令的支持来实现的。
Numpy
我们常用的 NumPy 其实就是一个常用的向量化计算工具，它提供了大量的数组操作和函数，可以十分方便的执行向量操作，比如之前我们用 np.dot 来优化卷积计算中的乘累加计算，这个函数就是一种向量计算的函数。
不管它底层是怎么实现的，之前光看这个函数，就是一种向量计算。
再比如下面的例子，对 numpy 的数组进行操作，每个元素都乘以2，可以直接使用 arr * 2 来完成，这一条命令操作的就是一个向量。
numpy 计算之所以快，就是因为是向量计算，内部做了大量的优化。到从这里看，这仅仅是一条向量语句，但不能说是一条向量指令。
import numpy as np
# 创建包含10个整数的数组
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
