假设我们有一个如下定义的函数,并且我们想iterate over n from 1 to L
,对于一个向量化代码,我经历了很多困难,因为这个代码非常慢,因为调用这个函数需要外部的for循环。你知道吗
详细信息:L, K
是大整数,例如1000,H_n
是浮点值。你知道吗
def multifrac_Brownian_motion(n, L, K, list_hurst, ind_hurst):
t_ks = np.asarray(sorted(-np.array(range(1, K + 1))*(1./L)))
t_ns = np.linspace(0, 1, num=L+1)
t_n = t_ns[n]
chi_k = np.random.randn(K)
chi_lminus1 = np.random.randn(L)
H_n = get_hurst_value(t_n, list_hurst, ind_hurst)
part1 = 1./(np.random.gamma(0.5 + H_n))
sums1 = np.dot((t_n - t_ks)**(H_n - 0.5) - ((-t_ks)**(H_n - 0.5)), chi_k)
sums2 = np.dot((t_n - t_ns[:n])**(H_n - 0.5), chi_lminus1[:n])
return part1*(1./np.sqrt(L))*(sums1 + sums2)
for n in range(1, L + 1):
onelist.append(multifrac_Brownian_motion(n, L, K, list_hurst, ind_hurst=ind_hurst))
更新:
def list_hurst_funcs(M, seg_size=10):
"""Generate a list of Hurst function components
Args:
M: Int, number of hurst functions
seg_size: Int, number of segmentations of interval [0, 1]
Returns:
list_hurst: List, list of hurst function components
"""
list_hurst = []
for i in range(M):
seg_points = sorted(np.random.uniform(size=seg_size))
funclist = np.random.uniform(size=seg_size + 1)
list_hurst.append((seg_points, funclist))
return list_hurst
def get_hurst_value(x, list_hurst, ind):
if np.isscalar(x):
x = np.array(float(x), ndmin=1)
seg_points, funclist = list_hurst[ind]
condlist = [x < seg_points[0]] +\
[(x >= seg_points[s] and x < seg_points[s + 1])
for s in range(len(seg_points) - 1)] +\
[x >= seg_points[-1]]
return np.piecewise(x, condlist=condlist, funclist=funclist)
解决这类问题的一种方法是(尝试)了解全局,并采用不同的方法,将所有内容都视为2d或更大的(LxK数组)。另一种方法是检查
multifrac_Brownian_motion
,试图加快速度,并尽可能消除依赖标量或1d数组的步骤。换句话说,从里到外工作。如果我们得到足够的速度提升,那么我们必须在循环中调用它可能并不重要。更妙的是,这一改进提出了在高维环境中操作的方法从里到外,我建议将
t_ks
calc替换为:由于
list_hurst
、ind_hurst
对于所有n
都是相同的,我怀疑您可以将get_hurst_value
的一些耗时部分移到循环之外但我会尽最大努力改进
condlist
结构。那是埋在你的外环深处的piecewise
也在这些seg_points
上循环相关问题 更多 >
编程相关推荐