Python中的向量化編程

在Andrew Ng的>課程中，多次強調了使用向量化的形式進行編碼，在深度學習課程中，甚至給出了編程原則：儘可能避免使用for循環而採用向量化形式。該課程採用的是matlab/octave語言，所擅長的方向正是數值計算，語言本身內置了對矩陣/向量的支持，比如：

如果變數x是一個數值，那麼a也會得到一個數值結果，如果x是一個矩陣，那麼結果a也是一個矩陣。

但是對於機器學習領域廣為使用的python語言而言，並沒有內置這樣的功能，畢竟python是一門通用語言。好消息是，藉助一些第三方庫，我們也可以很容易的處理向量數值運算。

Numpy是Numerical Python的縮寫，是Python生態系統中高性能科學計算和數據分析所需的基礎軟體包。 它是幾乎所有高級工具（如Pandas和scikit-learn）的基礎。TensorFlow使用NumPy數組作為基礎構建模塊，在這些模塊的基礎上，他們為深度學習任務（大量進行長列表/向量/數值矩陣的線性代數運算）構建了張量對象和圖形流。

許多Numpy運算都是用C實現的，相比Python中的循環，速度上有明顯優勢。所以採用向量化編程，而不是普通的Python循環，最大的優點是提升性能。另外相比Python循環嵌套，採用向量化的代碼顯得更加簡潔。

下面就用一些簡單的示例進行說明：

在我的電腦上運行結果如下：

可見，向量化的實現代碼速度上有飛速提升，而且代碼也看起來更簡潔。

總之，無論你有多長的數據列表並需要對它們進行數學轉換，都強烈考慮將這些Python數據結構（列表或元組或字典）轉換為numpy.ndarray對象並使用固有的矢量化功能。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！