为什么 np.linalg.norm(x,2) 比直接求解慢？

Question

示例代码：

import numpy as np
import math
import time

x=np.ones((2000,2000))

start = time.time()
print(np.linalg.norm(x, 2))
end = time.time()
print("time 1: " + str(end - start))

start = time.time()
print(math.sqrt(np.sum(x*x)))
end = time.time()
print("time 2: " + str(end - start))

输出（在我的机器上）是：

1999.999999999991
time 1: 3.216777801513672
2000.0
time 2: 0.015042781829833984

说明np.linalg.norm()求解需要3s以上，而直接求解只需0.01s。为什么 np.linalg.norm() 这么慢？

Answer 1

np.linalg.norm(x, 2) 计算 2-范数，取最大的奇异值

math.sqrt(np.sum(x*x)) 计算 frobenius 范数

这些操作是不同的，因此它们花费不同的时间也就不足为奇了。 What is the difference between the Frobenius norm and the 2-norm of a matrix? 对 math.SO 可能感兴趣。

Answer 2

比较的是：

In [10]: %timeit sum(x*x,axis=1)**.5
36.4 ms ± 6.11 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [11]: %timeit norm(x,axis=1)
32.3 ms ± 3.94 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

np.linalg.norm(x, 2) 和 sum(x*x)**.5 都不是一回事。

为什么 np.linalg.norm(x,2) 比直接求解慢？

Why is np.linalg.norm(x,2) slower than solving it directly?

python

performance

numpy

norm