我有一个非常稀疏的矩阵,比如5000x3000,双精度浮点。这个矩阵的80%是零。我需要计算每行的总和。所有这些都是用python/cython实现的。我想加快进程。因为我需要计算这个和几百万次,我想如果我做非零元素的索引,只求和,速度会更快。结果变得比原来的“暴力”加零要慢得多。你知道吗
下面是一个简单的例子:
#cython: language_level=2
import numpy as np
cimport numpy as np
import time
cdef int Ncells = 5000, KCells = 400, Ne= 350
cdef double x0=0.1, x1=20., x2=1.4, x3=2.8, p=0.2
# Setting up weight
all_weights = np.zeros( (Ncells,KCells) )
all_weights[ :Ne, :Ne ] = x0
all_weights[ :Ne, Ne: ] = x1
all_weights[Ne: , :Ne ] = x2
all_weights[Ne: , Ne: ] = x3
all_weights = all_weights * (np.random.rand(Ncells,KCells) < p)
# Making a memory view
cdef np.float64_t[:,:] my_weights = all_weights
# make an index of non zero weights
x,y = np.where( np.array(my_weights) > 0.)
#np_pawid = np.column_stack( (x ,y ) )
np_pawid = np.column_stack( (x ,y ) ).astype(int)
cdef np.int_t[:,:] pawid = np_pawid
# Making vector for column sum
summEE = np.zeros(KCells)
# Memory view
cdef np.float64_t [:] my_summEE = summEE
cdef int cc,dd,i
# brute-force summing
ntm = time.time()
for cc in range(KCells):
my_summEE[cc] = 0
for dd in range(Ncells):
my_summEE[cc] += my_weights[dd,cc]
stm = time.time()
print "BRUTE-FORCE summation : %f s"%(stm-ntm)
my_summEE[:] = 0
# summing only non zero indices
ntm = time.time()
for dd,cc in pawid:
my_summEE[cc] += my_weights[dd,cc]
stm = time.time()
print "INDEX summation : %f s"%(stm-ntm)
my_summEE[:] = 0
# summing only non zero indices unpacked by zip
ntm = time.time()
for dd,cc in zip(pawid[:,0],pawid[:,1]):
my_summEE[cc] += my_weights[dd,cc]
stm = time.time()
print "ZIPPED INDEX summation : %f s"%(stm-ntm)
my_summEE[:] = 0
# summing only non zero indices unpacked by zip
ntm = time.time()
for i in range(pawid.shape[0]):
dd = pawid[i,0]
cc = pawid[i,1]
my_summEE[cc] += my_weights[dd,cc]
stm = time.time()
print "INDEXING over INDEX summation: %f s"%(stm-ntm)
# Numpy brute-froce summing
ntm = time.time()
sumwee = np.sum(all_weights,axis=0)
stm = time.time()
print "NUMPY BRUTE-FORCE summation : %f s"%(stm-ntm)
#>
print
print "Number of brute-froce summs :",my_weights.shape[0]*my_weights.shape[1]
print "Number of indexing summs :",pawid.shape[0]
#<
我在Raspberry Pi 3上运行了它,但在PC上似乎也有相同的结果。你知道吗
BRUTE-FORCE summation : 0.381014 s
INDEX summation : 18.479018 s
ZIPPED INDEX summation : 3.615952 s
INDEXING over INDEX summation: 0.450131 s
NUMPY BRUTE-FORCE summation : 0.013017 s
Number of brute-froce summs : 2000000
Number of indexing summs : 400820
NUMPY BRUTE-FORCE in Python : 0.029143 s
有人能解释为什么cython代码比numpy慢3-4倍吗?为什么索引将求和次数从2000000减少到400820,慢了45倍?这没有任何意义。你知道吗
你在一个函数之外,所以访问全局变量。这意味着Cython每次被访问时都必须检查它们是否存在,不像它知道不能从其他地方访问的函数局部变量那样。
默认情况下,Cython处理负索引并执行边界检查。你可以turn these off in a number of ways。一个明显的方法是将
@cython.wraparound(False)
和@cython.boundscheck(False)
作为修饰符添加到函数定义中。请注意这些功能的实际用途-唯一的方法是在cdef
ed numpy数组或类型化memoryview上关闭这些功能,而不适用于其他很多功能(因此不要将它们作为一种货物崇拜类型应用到任何地方)。查看问题所在的好方法是运行
cython -a <filename>
并查看带注释的html文件。带有黄色的区域可能没有优化,您可以展开行以查看底层的C代码。显然,在这方面只需要担心频繁调用的函数和循环—设置Numpy数组的代码包含Python调用这一事实是意料之中的,而不是问题。你知道吗一些测量:
就像你写的那样
在函数中
在禁用了boundscheck和wrapparound的函数中:
我的建议确实有帮助,但不会太引人注目。我的差异并不像你看到的那么显著(即使对于你的代码没有改变)。Numpy还是赢了-猜猜看:
相关问题 更多 >
编程相关推荐