目前我的 Python 代码中有以下双循环:
for i in range(a):
for j in range(b):
A[:,i]*=B[j][:,C[i,j]]
(A 是一个浮点矩阵。B 是一个浮点矩阵列表。C 是一个整数矩阵。我所说的矩阵是指 m x n np.arrays。
准确地说,大小是:A:mxa B:b 个大小为 mxl 的矩阵(每个矩阵的 l 不同)C:axb。这里m很大,a很大,b很小,l的比b还小 )
我试图通过做来加快速度
for j in range(b):
A[:,:]*=B[j][:,C[:,j]]
但令我惊讶的是,它的表现更差。
更准确地说,这确实提高了 m 和 a 的小值(“大”数字)的性能,但是从 m=7000,a=700 开始,第一个方法大约快两倍。
还有什么我可以做的吗?
也许我可以并行化?但我真的不知道该怎么做。
(我不致力于 Python 2 或 3)
请您参考如下方法:
这是一个矢量化方法,假设 B 是具有相同形状的数组列表 -
# Convert B to a 3D array
B_arr = np.asarray(B)
# Use advanced indexing to index into the last axis of B array with C
# and then do product-reduction along the second axis.
# Finally, we perform elementwise multiplication with A
A *= B_arr[np.arange(B_arr.shape[0]),:,C].prod(1).T
对于 a 较小的情况,我们可以运行一个循环来遍历 a 的长度。此外,为了提高性能,将这些元素存储到单独的二维数组中并在我们退出循环后仅执行一次元素乘法可能是更好的主意。
因此,我们会有一个像这样的替代实现 -
range_arr = np.arange(B_arr.shape[0])
out = np.empty_like(A)
for i in range(a):
out[:,i] = B_arr[range_arr,:,C[i,:]].prod(0)
A *= out
