Question

我有一个稀疏数组：term_doc

它的大小是Float64的622256x715。它非常稀疏：
- 其444,913,040个细胞中，只有约22,215个细胞通常是非空的。
- 在622256行中只有4,699个被占用
- 虽然715列都被占用了。

我想要执行的运算符可以描述为返回行规范化和列规范化版本的矩阵。

我写的朴素非稀疏版本是：

function doUnsparseWay()
    gc() #Force Garbage collect before I start (and periodically during). This uses alot of memory
    term_doc

    N = term_doc./sum(term_doc,1)
    println("N done")  

    gc()
    P = term_doc./sum(term_doc,2)    
    println("P done")
    gc()

    N[isnan(N)] = 0.0
    P[isnan(P)] = 0.0

    N,P,term_doc
end

运行此：

> @time N,P,term_doc= doUnsparseWay()
outputs:
N done
P done
elapsed time: 30.97332475 seconds (14466 MB allocated, 5.15% gc time in 13 pauses with 3 full sweep)

这很简单。它会咀嚼内存，如果在正确的时间没有发生垃圾收集会崩溃（因此我手动调用它）。但它相当快

我想让它在稀疏矩阵上工作。为了不把我的记忆嚼干，而且从逻辑上讲，这是一个更快的操作 - 更少的细胞需要操作。

我遵循this post和performance page of the docs的建议。

function doSparseWay()
    term_doc::SparseMatrixCSC{Float64,Int64}

    N= spzeros(size(term_doc)...)
    N::SparseMatrixCSC{Float64,Int64}

    for (doc,total_terms::Float64) in enumerate(sum(term_doc,1))
        if total_terms == 0
            continue
        end
        @fastmath @inbounds N[:,doc] = term_doc[:,doc]./total_terms
    end
    println("N done")  

    P = spzeros(size(term_doc)...)'
    P::SparseMatrixCSC{Float64,Int64}

    gfs = sum(term_doc,2)[:]
    gfs::Array{Float64,1} 


    nterms = size(term_doc,1)
    nterms::Int64 
    term_doc = term_doc'

    @inbounds @simd for term in 1:nterms
        @fastmath @inbounds P[:,term] = term_doc[:,term]/gfs[term]
    end
    println("P done")
    P=P'


    N[isnan(N)] = 0.0
    P[isnan(P)] = 0.0

    N,P,term_doc
end

永远不会完成。它起来输出“N Done”，但绝不输出“P Done”。我让它运行了几个小时。

如何优化它以便在合理的时间内完成？
或者，如果无法做到这一点，请解释原因。

Answer 1

首先，您将term_doc作为全局变量，这是性能的一个大问题。将其作为参数传递doSparseWay(term_doc::SparseMatrixCSC)。（函数开头的类型注释没有任何用处。）

您想要使用方法similar to the answer by walnuss：

function doSparseWay(term_doc::SparseMatrixCSC)
    I, J, V = findnz(term_doc)
    normI = sum(term_doc, 1)
    normJ = sum(term_doc, 2)
    NV = similar(V)
    PV = similar(V)
    for idx = 1:length(V)
        NV[idx] = V[idx]/normI[J[idx]]
        PV[idx] = V[idx]/normJ[I[idx]]
    end
    m, n = size(term_doc)
    sparse(I, J, NV, m, n), sparse(I, J, PV, m, n), term_doc
end

这是一种通用模式：当您想要为稀疏矩阵优化某些内容时，请提取I，J，V并在V上执行所有计算。

优化稀疏数组数学

1 个答案: