Question

我发现this useful tutorial使用低级BLAS函数（在Cython中实现）来获得比python中标准numpy线性代数例程更快的速度提升。现在，我已经成功地使 vector 产品正常工作。首先，我将以下内容保存为linalg.pyx：

import cython
import numpy as np
cimport numpy as np

from libc.math cimport exp
from libc.string cimport memset

from scipy.linalg.blas import fblas

REAL = np.float64
ctypedef np.float64_t REAL_t

cdef extern from "/home/jlorince/flda/voidptr.h":
    void* PyCObject_AsVoidPtr(object obj)

ctypedef double (*ddot_ptr) (const int *N, const double *X, const int *incX, const double *Y, const int *incY) nogil
cdef ddot_ptr ddot=<ddot_ptr>PyCObject_AsVoidPtr(fblas.ddot._cpointer)  # vector-vector multiplication 

cdef int ONE = 1
def vec_vec(syn0, syn1, size):
    cdef int lSize = size
    f = <REAL_t>ddot(&lSize, <REAL_t *>(np.PyArray_DATA(syn0)), &ONE, <REAL_t *>(np.PyArray_DATA(syn1)), &ONE)
    return f

（voidptr.h的源代码可用here）

一旦我编译它，它工作正常，并且肯定比np.inner：

更快

In [1]: import linalg
In [2]: import numpy as np
In [3]: x = np.random.random(100)
In [4]: %timeit np.inner(x,x)
1000000 loops, best of 3: 1.61 µs per loop
In [5]: %timeit linalg.vec_vec(x,x,100)
1000000 loops, best of 3: 483 ns per loop
In [8]: np.all(np.inner(x,x)==linalg.vec_vec(x,x,100))
Out[8]: True

现在，这很好，但仅适用于计算两个向量的点/内积（在本例中为等效）的情况。我现在需要做的是，实现类似的功能（我希望能提供类似的加速）来做矢量矩阵内部产品。也就是说，我希望在传递一维数组和二维矩阵时复制np.inner的功能：

In [4]: x = np.random.random(5)
In [5]: y = np.random.random((5,5))
In [6]: np.inner(x,y)
Out[6]: array([ 1.42116225,  1.13242989,  1.95690196,  1.87691992,  0.93967486])

这相当于计算1D数组和矩阵每行的内/点积（再次，相当于1D数组）：

In [32]: [np.inner(x,row) for row in y]
Out[32]:
[1.4211622497461549, 1.1324298918119025, 1.9569019618096966,1.8769199192990056, 0.93967485730285505]

从我在BLAS文档中看到的情况来看，我认为我需要从这样的事情开始（使用dgemv）：

ctypedef double (*dgemv_ptr) (const str *TRANS, const int *M, const int *N, const double *ALPHA, const double *A, const int *LDA, const double *X, const int *incX, const double *BETA, const double *Y, const int *incY)
cdef dgemv_ptr dgemv=<dgemv>PyCObject_AsVoidPtr(fblas.dgemv._cpointer)  # matrix vector multiplication

但是我需要帮助（a）定义我可以在Python中使用的实际函数（即上面类似于vec-matrix的{{1}}函数），以及（b）知道如何正确使用它复制vec_vec的行为，这是我实施的模型所需要的。

编辑： Here是dgemv的相关BLAS文档的链接，我需要使用，这在此处得到确认：

np.inner

但是开箱即用就像这样实际上比纯np.inner慢，所以我仍然需要Cython实现的帮助。

Edit2 这是我最近的尝试，只要我尝试运行它就可以很好地编译python但会出现分段错误：

In [13]: np.allclose(scipy.linalg.blas.fblas.dgemv(1.0,y,x), np.inner(x,y))
Out[13]: True

编译完成后，我尝试运行cdef int ONE = 1 cdef char tr = 'n' cdef REAL_t ZEROF = <REAL_t>0.0 cdef REAL_t ONEF = <REAL_t>1.0 def mat_vec(mat,vec,mat_rows,mat_cols): cdef int m = mat_rows cdef int n = mat_cols out = <REAL_t>dgemv(&tr, &m, &n, &ONEF, <REAL_t *>(np.PyArray_DATA(mat)), &m, <REAL_t *>(np.PyArray_DATA(vec)), &ONE, &ZEROF, NULL, &ONE) return out，（使用与上面相同的x和y），但这只是崩溃了。我想我已经接近了，但不知道还有什么可以改变......

Answer 1

Per @Pietro Saccardi：

int dgemv_(char *trans, integer *m, integer *n, doublereal *
           alpha, doublereal *a, integer *lda, doublereal *x, integer *incx, 
           doublereal *beta, doublereal *y, integer *incy)

...

Y      - DOUBLE PRECISION array of DIMENSION at least   
         ( 1 + ( m - 1 )*abs( INCY ) ) when TRANS = 'N' or 'n'   
         and at least   
         ( 1 + ( n - 1 )*abs( INCY ) ) otherwise.   
         Before entry with BETA non-zero, the incremented array Y   
         must contain the vector y. On exit, Y is overwritten by the
         updated vector y.

我怀疑您可以在通话中使用NULL Y。

使用BLAS实现更快的python内部产品

1 个答案: