Performance 如何在Matlab中加速矢量方程？

我使用以下代码在Matlab中使用随机梯度下降进行逻辑回归。培训+测试样本总数约为600K。代码运行数小时。我怎样才能加快速度

%% load dataset

clc;
clear;
load('covtype.mat');

Data = [X y];

%% Split into testing and training data in a 1:9 split

nRows=size(Data,1);
randRows=randperm(nRows);  % generate random ordering of row indices
Test=Data(randRows(1:58101),:);  % index using random order
Train=Data(randRows(58102:end),:);

Testx=Test(:,1:54);
Testy=Test(:,55:end);

Trainx=Train(:,1:54);
Trainy=Train(:,55:end);

%% Perform stochastic gradient descent on training data

lambda=0.01; % regularisation constant
alpha=0.01; % step length constant

theta_old = zeros(54,1);
theta_new = theta_old;
z=1;

for count = 1:size(Train,1)
    theta_old = theta_new;
    theta_new = theta_old + (alpha*Trainy(count)* (1.0 ./ (1.0 + exp(Trainy(count)*(Trainx(count,:)*theta_old)))).*Trainx(count,:))' - alpha*lambda*2*theta_old; %//'
    n = norm(theta_new);
    llr = lambda*n*n;
    count_dummy(z)=count; % dummy variable to store iteration number for plotting later
    % calculate log likelihood error for test data with current value of theta_new
    for i = 1:size(Test,1)
        llr = llr - 1.*log(1.0 + exp(-(Testy(i)*(Testx(i,:)*theta_new))));
    end
    llr_dummy(z)=llr; % dummy variable to store llr for plotting later
    z=z+1;

end
thetaopt = theta_new; % this is optimal theta


%% Plot results on testing data

plot(count_dummy, llr_dummy);

---

我必须在每次迭代时计算测试数据的对数似然误差来绘制它。如何加快代码的速度？

我将首先在代码部分放置

tic/toc

，并测量每个步骤所需的平均时间。另外，最好预先分配

count\u dummy

和

llr\u dummy

数组，而不是让它们在循环中增长，从而导致大量内存重新分配。@RafaelMonteiro，我应该如何预分配这两个数组？我是Matlab的初学者。另外，有没有一种方法可以在一行中计算llr变量（目前需要一个内部循环）？也许在Matlab中有一种我不知道的“全行求和”类型的函数？预分配很容易。以

count\u dummy

为例。每个循环增加一个值，因此Matlab必须在内存中重新分配数组。当

z=z+1

且循环从

1

变为

size（Train，1）

时，您只需将其放在循环之前：

count\u dummy=0（1，size（Train，1））。只预分配一次完整数组。至于
llr
变量，您可以尝试通过将所有
i
替换为
1:size（Test，1）
来对表达式进行矢量化，并取出
for/end
循环，看看它是否有效。谢谢！我试试看。我仍然不明白如何像你说的那样更换I's，但无论如何我都会尝试。我建议你阅读以下内容：