Performance 变尺寸矩阵乘法的优化
假设我有以下数据生成过程Performance 变尺寸矩阵乘法的优化,performance,julia,matrix-multiplication,Performance,Julia,Matrix Multiplication,假设我有以下数据生成过程 using Random using StatsBase m_1 = [1.0 2.0] m_2 = [1.0 2.0; 3.0 4.0] DD = [] y = zeros(2,200) for i in 1:100 rand!(m_1) rand!(m_2) push!(DD, m_1) push!(DD, m_2) end idxs = sample(1:200,10) for i in id
using Random
using StatsBase
m_1 = [1.0 2.0]
m_2 = [1.0 2.0; 3.0 4.0]
DD = []
y = zeros(2,200)
for i in 1:100
rand!(m_1)
rand!(m_2)
push!(DD, m_1)
push!(DD, m_2)
end
idxs = sample(1:200,10)
for i in idxs
DD[i] = DD[1]
end
假设给定数据,我有以下函数
function test(y, DD, n)
v_1 = [1 2]
v_2 = [3 4]
for j in 1:n
for i in 1:size(DD,1)
if size(DD[i],1) == 1
y[1:size(DD[i],1),i] .= (v_1 * DD[i]')[1]
else
y[1:size(DD[i],1),i] = (v_2 * DD[i]')'
end
end
end
end
我正在努力优化测试的速度。特别是,内存分配随着I的增加而增加n
。然而,我并没有真正分配任何新的东西
数据生成过程捕获了这样一个事实:我事先不确定DD[I]
的大小。也就是说,我第一次调用test
,DD[1]
可以是一个2x2矩阵。第二次调用test
,DD[1]
可能是一个1x2矩阵。我认为这可能是内存分配问题的一部分:朱莉娅事先不知道大小
我完全卡住了。我试过@inbounds
,但没用。有什么方法可以改进这一点吗?检查性能的一个重要方面是Julia能够理解类型。您可以通过运行@code\u warntypetest(y,DD,1)
来检查这一点,输出将明确DD
属于Any[]
类型(因为您是这样声明的)。使用Any
可能会导致相当大的性能损失,因此声明DD=Matrix{Float64}[]
将测试时间缩短到三分之一
我不确定这个示例与您想要编写的实际代码有多接近,但是在这个特殊情况下,size(DD[I],1)==1
分支可以被调用linearagebra.dot
替换:
y[1:size(DD[i],1),i] .= dot(v_1, DD[i])
这使我的时间又减少了50%。最后,通过使用mul,您可以再挤出一点点代码>执行其他乘法到位:
mul!(view(y, 1:size(DD[i],1),i:i), DD[i], v_2')
完整示例:
using Random
using LinearAlgebra
DD = [rand(i,2) for _ in 1:100 for i in 1:2]
y = zeros(2,200)
shuffle!(DD)
function test(y, DD, n)
v_1 = [1 2]
v_2 = [3 4]'
for j in 1:n
for i in 1:size(DD,1)
if size(DD[i],1) == 1
y[1:size(DD[i],1),i] .= dot(v_1, DD[i])
else
mul!(view(y, 1:size(DD[i],1),i:i), DD[i], v_2)
end
end
end
end
我真的不清楚你在这个代码中的意图是什么。澄清可能会使回答更容易。此外,调用rand代码>可能不会做你想做的事。因为它们在适当的位置修改了参数,所以您不会创建新的数组,而是在适当的位置不断更改旧数组,即使它们是DD
的一部分。这意味着DD
将由相同的两个数组组成m1
和m2
重复和混合。做display(DD)
你就会明白我的意思了。