快速核矩阵计算python

Question

我想用python最快的方式计算内核矩阵： 输入是一个矩阵X=n样本，n特征 输出应该是对称矩阵D=nsamples，nsapmles

我现在使用的方法，即使是基于迭代器的，对for循环的处理似乎很慢。。。有人能想出更好的办法吗？在

谢谢

到目前为止，我的方法是：

from itertools import combinations
def computeKernel(X,dlambda):
    nsamples=X.shape[0]
    D=numpy.zeros((nsamples,nsamples))
    for el in combinations(range(nsamples),2):
        i,j=el
        D[el]=quadraticChiDist(X[i,:],X[j,:])


    D=D+D.T
    D=numpy.exp(-dlambda*D/255)
    D=numpy.eye(D)+D    
    return D

其中quadradicchidist是对X中每个可能的行对求值的函数

Answer 1

通过将内部循环替换为

for i in range(nsamples):
    for j in range(i):
        D[i,j]=quadraticChiDist(X[i,:],X[j,:])
        D[j,i]=D[i,j]

即使quadraticChiDist不是对称的，这也不重要，因为你对称化你的矩阵（你忘了除以2吗？）：：

^{pr2}$

为了进一步加速，我建议优化quadraticChiDist的速度。在

此外，我推荐http://cython.org/，尤其是{a2}。这在很多情况下都是C的速度。在

Answer 2

经过一番搜索，我意识到最好的解决方案可能是在scipy中使用pdist函数。它实现了几个距离函数，或者你可以传递一个函子来计算距离。但是，对于给定的距离，这个函数非常快（因为它是用c实现的），但是不幸的是，对于传递的函子来说，它并没有获得太多的好处。实际上，在后一种情况下，它基本上等同于纯python中建议的for循环解决方案。在