我有一个解决ODE的python算法。现在我注意到这个代码对于几个不同的输入参数非常缓慢。因此,我异形的代码,并获得作为结果:优化(python)算法的最佳方法?
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.004 0.004 429.032 429.032 gnlse.py:153(perform_simulation)
2 0.001 0.000 429.017 214.508 _ode.py:564(integrate)
2 0.000 0.000 429.016 214.508 _ode.py:381(integrate)
2 18.985 9.492 429.016 214.508 _ode.py:1013(run)
52007 22.260 0.000 410.031 0.008 _ode.py:495(_wrap)
52007 188.766 0.004 387.243 0.007 gnlse.py:234(GNLSE_RHS)
208033 1.300 0.000 173.272 0.001 fftpack.py:46(_raw_fft)
104018 18.316 0.000 108.077 0.001 fftpack.py:195(ifft)
104015 0.857 0.000 90.410 0.001 fftpack.py:100(fft)
104015 85.626 0.001 85.626 0.001 {numpy.fft.fftpack_lite.cfftf}
104018 85.607 0.001 85.607 0.001 {numpy.fft.fftpack_lite.cfftb}
29108 25.776 0.001 25.776 0.001 {min}
530887 3.275 0.000 3.275 0.000 {numpy.core.multiarray.array}
104034 2.522 0.000 2.522 0.000 {method 'astype' of 'numpy.ndarray' objects}
算法的哪一部分可以被优化最好的(可以,如果没有基于该CPROFILE测量整个代码来回答?)?根据数据,我会说GNLSE_RHS
函数,在这个函数花费的总时间是最重要的。
在这个函数中调用fft
函数(每次调用四次)。让它们更快而不是改进GNLSE_RHS
中的算法会更有意义吗? 有问题的功能是
AT = np.fft.fft(np.multiply(AW , np.exp(simp['linop'] * z)))
IT = np.abs(AT)**2
if simp['raman'] == True:
RS = simp['dt'] * np.fft.fft(np.multiply(np.fft.ifft(IT), simp['RW']))
M = np.fft.ifft(np.multiply(AT,((1-simp['fr'])*IT + simp['fr']*RS)))
else:
M = np.fft.ifft(np.multiply(AT, IT))
return 1.0j * simp['gamma'] * np.multiply(simp['W'], np.multiply(M, np.exp(-simp['linop'] * z)))
编辑:我不需要一个精致的算法,我宁愿想知道哪个部分主要是促进了运行时间,即提高其功能会提高整体的速度的速度最多?
你提的问题也包括在问题本身的功能,因此没有,该功能是一个完整的Python功能,只调用FFT的功能多次。 –