Parallel processing 将矩阵的每一行乘以一个随机数的最佳方法

我想用一个随机数乘以矩阵的每一行，例如

Y = R*X

大小为TxN的对角矩阵

R

包含来自

rand（）

的条目，大小为

NxM

的矩阵

X

非常大

T

和

N

。目前我使用

r = rand(T)
Y = scale(r, X)

---

但我想知道这是更快还是更好。例如，我认为没有必要创建向量

r

，但我不知道如何高效/并行地调用

y[I]=rand（）*X[I，：]

。

您可以使用

scale修改
X
到位：

julia> X = [ 1/(i + j - 1) for i=1:5, j=1:5 ]
5x5 Array{Float64,2}:
 1.0       0.5       0.333333  0.25      0.2
 0.5       0.333333  0.25      0.2       0.166667
 0.333333  0.25      0.2       0.166667  0.142857
 0.25      0.2       0.166667  0.142857  0.125
 0.2       0.166667  0.142857  0.125     0.111111

julia> r = rand(5)
5-element Array{Float64,1}:
 0.98996
 0.88145
 0.808518
 0.632665
 0.00807468

julia> scale!(r,X);

julia> X
5x5 Array{Float64,2}:
 0.98996     0.49498     0.329987    0.24749     0.197992
 0.440725    0.293817    0.220363    0.17629     0.146908
 0.269506    0.20213     0.161704    0.134753    0.115503
 0.158166    0.126533    0.105444    0.0903807   0.0790832
 0.00161494  0.00134578  0.00115353  0.00100933  0.000897187

这避免了分配新矩阵，这在内存和时间上都是一个显著的节约。
在您的情况下，与调用
scale（）
相比，创建
r
需要多长时间？您肯定要创建临时
r
。原因是：按行遍历
X
效率极低，按列遍历速度快5-10倍。所以在这种情况下，分配临时
r
，并按列（即内存存储顺序）遍历
X
，将是一个巨大的胜利。特别是如果
X
和
r
是
Float32
，在这种情况下，这应该是SIMD vectorize.nice，+1表示
比例Thx。将扩大规模！使用多核？目前不使用多核。