1.什么是向量化？
在logistic 回归中，你需要计算z=w^Tx+b，w是列向量 ，x也是列向量，w和x都是R内的nx维向量
在python中的一个非向量实现：
for i in range(n-x):
z+=w[i]*x[i]
z+=b
这种形式的计算很慢，对比下向量化的实现会直接计算W^TX，在numpy中，z=np.dot(w,x)是在计算W^TX后面直接加上b，计算的速度非常快
(1)创建一个向量a
import numpy as np a=np.array([1,2,3,4]) print(‘a=‘,a)
a= [1 2 3 4]
(2)比较向量化版本和非向量化版本时间消耗的值：
import time #创建一个一百万维度的随机数组 a=np.random.rand(1000000) b=np.random.rand(1000000) tic = time.time() c= np.dot(a,b) toc=time.time() print(‘vectorized version‘,str(1000*(toc-tic))+‘ms‘) c=0 tic = time.time() for i in range(1000000): c+=a[i]*b[i] toc = time.time() print(‘for loop=‘,str(1000*(toc-tic))+‘ms‘)
原文：https://www.cnblogs.com/bigdata-stone/p/10306015.html