np.float64 和 np.double 有什么区别？

Question

我尝试运行以下代码来找出

float64

中的

double

和

numpy

之间的区别。结果很有趣，因为与

float64

相乘所花费的时间相比，double 类型花费的时间几乎是两倍。需要一些说明。

import time
import numpy as np

datalen = 100000
times = 10000

a = np.random.rand(datalen)
b = np.random.rand(datalen)

da = np.float64(a)
db = np.float64(a)

dda = np.double(a)
ddb = np.double(b)

tic = time.time()
for k in range(times):
    dd = dda * ddb
toc = time.time()
print (toc - tic), 'time taken for double'

tic = time.time()
for k in range(times):
    d = da * db
toc = time.time()
print (toc - tic), 'time taken for float64'

Answer 1

我认为你正在比较苹果和橙子。

第一个长凳基本上是

a * b

，但第二个

a * a

。

我怀疑后者的缓存未命中要少得多。

Answer 2

import numpy as np
np.double is np.float64 # returns True

理论上两者应该是相同的。

我觉得我的答案有误导性，我没有注意到其他答案中提到的错误。所以这是更新：

基准差异不是由使用的类型引起的 - 请查看其他答案，因为这是一个错误。

关于类型：根据文档，由所使用的平台实现来决定用于表示

double

的位数：

Double-precision floating-point number type, compatible with Python float and C double.

（numpy 文档）。因此，在 x86_64 的情况下，它只是

np.float64

的别名。对于其他一些平台，情况可能并非如此。如果这种选择取决于系统，您将受益于本机性能，但可能会引入错误。

如果您使用修复程序运行基准测试，计算出的时间值应该几乎相同。

Answer 3

许多数组操作通常仅受将数组元素从 RAM 加载到缓存中所需时间的限制。

因此，如果每个值的大小较小，或者您不需要将如此多的元素加载到缓存中，您会期望操作速度更快。

这就是为什么你的时间不同：

np.float64

和

np.double

实际上并不复制，所以在第一种情况下数组是相同的，而在第二种情况下则不同：

>>> da is db
True

>>> dda is ddb
False

因此可以优化第一种情况，因为您不需要从两个数组加载值，而只需从一个数组加载值。从而使带宽加倍。

但是还有另一件事需要考虑：

np.float64

和

np.double

在大多数机器上应该是相同的，但这并不能保证。

np.float64

是固定大小的浮点值（始终为 64 位），而

np.double

取决于机器和/或编译器。在大多数机器上

double

都是

64bit

但这并不总是有保证！因此，如果您的

double

和

float64

宽度不同，您可能会出现速度差异：

>>> np.double(10).itemsize
8
>>> np.float64(10).itemsize
8
>>> np.float64 is np.double
True