为什么jax.numpy.dot()在CPU上的运行速度比numpy.dot()慢？

2 人关注

我想用JAX在CPU上加速我的numpy代码，然后在GPU上加速。这是我在本地计算机上运行的示例代码（只有CPU）。

import jax.numpy as jnp
from jax import random, jix
import numpy as np
import time
size = 3000
key = random.PRNGKey(0)
x =  random.normal(key, (size,size), dtype=jnp.float64)
start=time.time()
test = jnp.dot(x, x.T).block_until_ready()
print('Time of jnp: {}s'.format(time.time() - start))
x2=np.random.normal((size,size))
start=time.time()
test2 = np.dot(x2, x2.T)
print('Time of np: {}s'.format(time.time() - start))
我得到了一个警告，时间成本如下。
/.../lib/python3.7/site-packages/jax/lib/xla_bridge.py:130: 
UserWarning: No GPU/TPU found, falling back to CPU.
warnings.warn('No GPU/TPU found, falling back to CPU.')
Time: 0.45157814025878906s
Time: 0.005244255065917969s
我在这里做错了什么吗？JAX是否也应该在CPU上加速numpy代码？


           
            
             很有可能，numpy正在使用（Open-）。
             
              BLAS
             
             而对于
             
              np.dot()
             
             来说，没有太多需要优化的地方。


           
            
             @sascha 但JAX比NumPy慢得多，这说不通。我还没有搞清楚原因。


           
            
             This does not surprise me. Dot (vector or matmul; does not matter) is completely hand-coded for every kind of cpu-arch and you won't beat this with automatic-compilers. Without much knowledge about JAX, it's probably about scheduling, optimizing temporaries and some other stuff -> resulting in great code when multiple "kernels" are
             
              fused
             
             . But
             
              dot
             
             是如此重要，以至于没有机会达到它。补充说明：我提到了openblas：但在一些地区，Intels MKL被使用：你期望一些自动编译器能在你的（也许）intel cpu上击败手工编码的matmul代码（由intel-devs）吗？


           
            
             也许numpy也更快，因为
             
              x
             
             的形状是
             
              (3000, 3000)
             
             ，而
             
              x2
             
             的形状是
             
              (2,)
             
             :)


         
          python


         
          numpy


          
           已采纳


          
           
            Jax和Numpy之间可能存在性能差异，但在原帖中，时间差异主要归结为数组创建中的一个错误。Jax使用的数组的形状是3000x3000，而Numpy使用的数组是一个长度为2的一维数组。
            
             
              numpy.random.normal
             
            
            是
            
             loc
            
            （即要取样的高斯的平均值）。应使用关键字参数
            
             size=
            
            来表示阵列的形状。
           
           numpy.random.normal(loc=0.0, scale=1.0, size=None)
一旦做了这个改变，Jax和Numpy之间的性能差异就会变小。
import time
import jax
import jax.numpy as jnp
import numpy as np
size = 3000
key = jax.random.PRNGKey(0)
x = jax.random.normal(key, (size, size), dtype=jnp.float64)
start = time.time()
test = jnp.dot(x, x.T).block_until_ready()
print("Time of jnp: {:0.4f} s".format(time.time() - start))
x2 = np.random.normal(size=(size, size)).astype(np.float64)
start = time.time()
test2 = np.dot(x2, x2.T)
print("Time of np: {:0.4f} s".format(time.time() - start))
The output of one run is
Time of jnp: 2.3315 s
Time of np: 2.8811 s
当测量计时性能时，应该收集多次运行，因为一个函数的性能是一个分散的次数，而不是一个单一的值。这可以通过Python标准库来完成timeit.timeit function or the %timeit在IPython和Jupyter Notebook中的魔法。
import time
import jax
import jax.numpy as jnp
import numpy as np
size = 3000
key = jax.random.PRNGKey(0)
xjnp = jax.random.normal(key, shape=(size, size), dtype=jnp.float64)
xnp = np.random.normal(size=(size, size)).astype(np.float64)
%timeit jnp.dot(xjnp, xjnp.T).block_until_ready()
# 2.03 s ± 39.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit np.dot(xnp, xnp.T)
# 3.41 s ± 501 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
xjnp = xjnp.astype(jnp.float32)
xnp = xnp.astype(np.float32)
%timeit jnp.dot(xjnp, xjnp.T).block_until_ready()
# 2.05 s ± 74.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)