Python 作为矩阵向量积的数值微分
我有以下代码来近似函数的二阶导数Python 作为矩阵向量积的数值微分,python,numpy,Python,Numpy,我有以下代码来近似函数的二阶导数f(),使用公式: 我想比较两种不同的方法;使用循环和矩阵向量积,希望显示numpy版本更快: def get_derivative_loop(X): DDF = [] for i in range(1,len(X)-1): DDF.append((f(X[i-1]) - 2*f(X[i]) + f(X[i+1]))/(h**2)) return DDF def
f()
,使用公式:
我想比较两种不同的方法;使用循环和矩阵向量积,希望显示numpy
版本更快:
def get_derivative_loop(X):
DDF = []
for i in range(1,len(X)-1):
DDF.append((f(X[i-1]) - 2*f(X[i]) + f(X[i+1]))/(h**2))
return DDF
def get_derivative_matrix(X):
A = (np.diag(np.ones(m)) +
np.diag(-2*np.ones(m-1), 1) +
np.diag(np.ones(m-2), 2))/(h**2)
return np.dot(A[0:m-2], f(X))
正如预期的那样,构建矩阵A
花费了大量时间。在numpy中构造三对角矩阵有更好的解决方案吗
分析这两个函数会产生:
Total time: 0.003942 s
File: diff.py
Function: get_derivative_matrix at line 17
Line # Hits Time Per Hit % Time Line Contents
==============================================================
17 @profile
18 def get_derivative_matrix(X):
19 1 3584 3584.0 90.9 A = (np.diag(np.ones(m)) + np.diag(-2*np.ones(m-1), 1) + np.diag(np.ones(m-2), 2))/(h**2)
20 1 358 358.0 9.1 return np.dot(A[0:m-2], f(X))
Total time: 0.004111 s
File: diff.py
Function: get_derivative_loop at line 22
Line # Hits Time Per Hit % Time Line Contents
==============================================================
22 @profile
23 def get_derivative_loop(X):
24 1 1 1.0 0.0 DDF = []
25 499 188 0.4 4.6 for i in range(1, len(X)-1):
26 498 3921 7.9 95.4 DDF.append((f(X[i-1]) - 2*f(X[i]) + f(X[i+1]))/(h**2))
27
28 1 1 1.0 0.0 return DDF
A = (np.diag(np.ones(m)) +
np.diag(-2*np.ones(m-1), 1) +
np.diag(np.ones(m-2), 2))/(h**2)
return np.dot(A[0:m-2], f(X))
编辑
虽然它是正确的,初始化只做了一次,所以没有必要进行优化,但是我发现想出一个好的、快速的方法来设置矩阵很有趣
以下是使用Divakar
方法得到的配置文件结果
Timer unit: 1e-06 s
Total time: 0.006923 s
File: diff.py
Function: get_derivative_matrix_divakar at line 19
Line # Hits Time Per Hit % Time Line Contents
==============================================================
19 @profile
20 def get_derivative_matrix_divakar(X):
21
22 # Setup output array, equivalent to A
23 1 48 48.0 0.7 out = np.zeros((m, 3+m-2))
24
25 # Setup the triplets in each row as [1,-2,1]
26 1 1485 1485.0 21.5 out[:, 0:3] = 1
27 1 22 22.0 0.3 out[:, 1] = -2
28
29 # Slice and perform matrix-multiplication
30 1 5368 5368.0 77.5 return np.dot(out.ravel()[:m*(m-2)].reshape(m-2, -1)/(h**2), f(X))
Total time: 0.019717 s
File: diff.py
Function: get_derivative_matrix at line 45
Line # Hits Time Per Hit % Time Line Contents
==============================================================
45 @profile
46 def get_derivative_matrix(X):
47 1 18813 18813.0 95.4 A = (np.diag(np.ones(m)) + np.diag(-2*np.ones(m-1), 1) + np.diag(np.ones(m-2), 2))/(h**2)
48 1 904 904.0 4.6 return np.dot(A[0:m-2], f(X))
Total time: 0.000108 s
File: diff.py
Function: get_derivative_slice at line 41
Line # Hits Time Per Hit % Time Line Contents
==============================================================
41 @profile
42 def get_derivative_slice(X):
43 1 108 108.0 100.0 return (f(X[0:-2]) - 2*f(X[1:-1]) + f(X[2:]))/(h**2)
新方法更快。但是,我不明白为什么
21.5%
要花在这个初始化上out[:,0:3]=1
没有必要构建矩阵。你可以直接使用向量f。e、 下面的版本就可以了
def get_derivative(x,f,h):
fx=f(x)
return (fx[:-2]-2*fx[1:-1]+fx[2:])/h**2
矩阵法在重复导数计算的情况下非常有用。您存储矩阵并每次重复使用它。对于更高阶精度,它变得更有用。对于
m=9
,没有按h
缩放的三对角矩阵如下所示-
array([[ 1., -2., 1., 0., 0., 0., 0., 0., 0.],
[ 0., 1., -2., 1., 0., 0., 0., 0., 0.],
[ 0., 0., 1., -2., 1., 0., 0., 0., 0.],
[ 0., 0., 0., 1., -2., 1., 0., 0., 0.],
[ 0., 0., 0., 0., 1., -2., 1., 0., 0.],
[ 0., 0., 0., 0., 0., 1., -2., 1., 0.],
[ 0., 0., 0., 0., 0., 0., 1., -2., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 1., -2.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 1.]])
array([[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.]])
我们可以看到,按行排列,正好有7
(=m-2)个零分隔了[1,-2,1]
的两个三元组。因此,作为一名黑客,你可以创造
一个常规的2D数组,其中前三列是复制的三元组,如下所示-
array([[ 1., -2., 1., 0., 0., 0., 0., 0., 0.],
[ 0., 1., -2., 1., 0., 0., 0., 0., 0.],
[ 0., 0., 1., -2., 1., 0., 0., 0., 0.],
[ 0., 0., 0., 1., -2., 1., 0., 0., 0.],
[ 0., 0., 0., 0., 1., -2., 1., 0., 0.],
[ 0., 0., 0., 0., 0., 1., -2., 1., 0.],
[ 0., 0., 0., 0., 0., 0., 1., -2., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 1., -2.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 1.]])
array([[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., -2., 1., 0., 0., 0., 0., 0., 0., 0.]])
上述矩阵创建的优点是易于索引,这必须非常有效。因此,为了获得所需的输出,剩下的工作是切片,将我们限制在m**2
元素,并在最后处理三元组
最后,我们会得到这样的三对角矩阵-
def three_diag_mat(m,h):
# Initialize output array
out = np.zeros((m,3+m-2))
# Setup the triplets in each row as [1,-2,1]
out[:,:3] = 1
out[:,1] = -2
# Reset the ending "1" of the second last row as zero.
out[m-2,2] = 0
# Slice upto m**2 elements in a flattened version.
# Then, scale down the sliced output by h**2 for the final output.
return (out.ravel()[:m**2].reshape(m,m))/(h**2)
运行时测试和验证结果
案例1:
案例2:
特定用例:对于使用
A[0:m-2]
的用例,可以避免少量计算,并修改get\u导数矩阵
,如下所示:
def get_derivative_matrix(X):
# Setup output array, equivalent to A
out = np.zeros((m,3+m-2))
# Setup the triplets in each row as [1,-2,1]
out[:,:3] = 1
out[:,1] = -2
# Slice and perform matrix-multiplication
return np.dot(out.ravel()[:m*(m-2)].reshape(m-2,-1)/(h**2), f(X))
我不想使用切片来解决这个问题,即使它更快(~100)。我只是认为一定有一种方法可以构造矩阵,而不必使用三次
diag()
可能有一种更快的方法来设置矩阵,但是根据我的经验,如果只设置一次矩阵,而不是每次函数调用,初始化从来都不是我计算的瓶颈,因此,这似乎是一个过早的优化。看起来“丑陋”:-),但速度肯定更快。然而,这会使最后的标量积变得无用,对吗?@Tengis,没错!因此,您将拥有类似于最后编辑代码中显示的内容。过来看!让我知道你用它能得到什么样的加速?@Tengis这有点令人惊讶。为了提高效率,我认为您可以做两个单独的索引来替换out[:,0:3]=1
:out[:,0]=1;out[:,2]=1
,保持其余代码不变。我以前试过,因为我认为这样会减少冗余。不幸的是,没有使整个功能更快。无论如何,我认为您的解决方案是最好的,初始化不应该是评测的一部分,因为它只执行一次。out[:,2]=1
消耗22.4%,而其他两个赋值分别为0.4%和0.1%。这很奇怪,不是吗?