我目前正在使用GDAL的Python绑定来处理相当大的栅格数据集(> 4 GB)。因为一次将它们加载到内存中对我来说是不可行的解决方案我将它们读成更小的块并逐个进行计算。为了避免每个块读取的新分配,我使用buf_obj
参数(here)将值读取到预分配的NumPy数组中。有一点,我必须计算整个栅格的平均值和标准差。当然我已经使用np.std
进行计算。然而,通过分析我的程序的内存消耗,我意识到每次调用np.std
时,内存都会被分配和释放。
演示此行为的最低工作示例:
In [1] import numpy as np
In [2] a = np.random.rand(20e6) # Approx. 150 MiB of memory
In [3] %memit np.mean(a)
peak memory: 187.30 MiB, increment: 0.48 MiB
In [4] %memit np.std(a)
peak memory: 340.24 MiB, increment: 152.91 MiB
在GitHub的NumPy源代码树中进行的搜索显示,np.std
函数在内部调用_var
(here)中的_methods.py
函数。在某一时刻_var
计算与平均值的偏差并将它们相加。因此,创建了输入数组的临时副本。该函数基本上按如下方式计算标准偏差:
mu = sum(arr) / len(arr)
tmp = arr - mu
tmp = tmp * tmp
sd = np.sum(tmp) / len(arr)
虽然对于较小的输入数组这种方法是可行的,但对于较大的输入数组来说绝对没办法。由于我正在使用之前提到的较小的内存块,因此从我的程序中的内存角度来看,这个额外的副本不是一个破坏游戏的问题。然而,让我感到困惑的是,对于每个块,在读取下一个块之前会创建并释放新的分配。
在NumPy或SciPy中是否有一些其他函数利用具有恒定内存消耗的方法,如Welford算法(Wikipedia),用于平均值和标准差的一次通过计算?
另一种方法是实现_var
函数的自定义版本,并为预分配缓冲区(如NumPy ufuncs)提供可选的out
参数。使用这种方法,不会消除额外的副本,但至少内存消耗将是恒定的,并且每个块中的分配的运行时间都会被保存。
编辑:按照kezzos的建议测试了Welford算法的Cython实现。
Cython实现(从kezzos修改):
cimport cython
cimport numpy as np
from libc.math cimport sqrt
@cython.boundscheck(False)
def iterative_approach(np.ndarray[np.float32_t, ndim=1] a):
cdef long n = 0
cdef float mean = 0
cdef float M2 = 0
cdef long i
cdef float delta
cdef float a_min = 10000000 # Must be set to Inf and -Inf for real cases
cdef float a_max = -10000000
for i in range(len(a)):
n += 1
delta = a[i] - mean
mean += delta / n
M2 += delta * (a[i] - mean)
if a[i] < a_min:
a_min = a[i]
if a[i] > a_max:
a_max = a[i]
return a_min, a_max, mean, sqrt(M2 / (n - 1))
NumPy实现(可以在一个函数中计算mean和std):
def vector_approach(a):
return np.min(a), np.max(a), np.mean(a), np.std(a, ddof=1)
使用随机数据集测试结果(以毫秒为单位的时间,最好为25):
----------------------------------
| Size | Iterative | Vector |
----------------------------------
| 1e2 | 0.00529 | 0.17149 |
| 1e3 | 0.02027 | 0.16856 |
| 1e4 | 0.17850 | 0.23069 |
| 1e5 | 1.93980 | 0.77727 |
| 1e6 | 18.78207 | 8.83245 |
| 1e7 | 180.04069 | 101.14722 |
| 1e8 | 1789.60228 | 1086.66737 |
----------------------------------
使用Cython的迭代方法似乎更快,对于具有10000+元素的更大数据集,使用更小的数据集和NumPy向量(可能是SIMD加速)方法。所有测试均使用Python 2.7.9和NumPy 1.9.2版进行。
请注意,在实际情况下,上层函数将用于计算栅格的单个块的统计数据。所有块的标准偏差和均值将与维基百科(here)中建议的方法相结合。它的优点是不需要对光栅的所有元素进行求和,从而避免浮点溢出问题(至少在某种程度上)。
答案 0 :(得分:6)
我怀疑你会在numpy
找到任何这样的功能。 numpy
的存在理由是它利用vector processor指令集 - 执行大量数据的相同指令。基本上numpy
可以提高内存效率以提高速度效率。但是,由于Python的内存密集型特性,numpy
也能够通过将数据类型与整个数组相关联而不是每个单独的元素来实现某些内存效率。
提高速度但仍然牺牲一些内存开销的一种方法是计算块中的标准偏差,例如。
import numpy as np
def std(arr, blocksize=1000000):
"""Written for py3, change range to xrange for py2.
This implementation requires the entire array in memory, but it shows how you can
calculate the standard deviation in a piecemeal way.
"""
num_blocks, remainder = divmod(len(arr), blocksize)
mean = arr.mean()
tmp = np.empty(blocksize, dtype=float)
total_squares = 0
for start in range(0, blocksize*num_blocks, blocksize):
# get a view of the data we want -- views do not "own" the data they point to
# -- they have minimal memory overhead
view = arr[start:start+blocksize]
# # inplace operations prevent a new array from being created
np.subtract(view, mean, out=tmp)
tmp *= tmp
total_squares += tmp.sum()
if remainder:
# len(arr) % blocksize != 0 and need process last part of array
# create copy of view, with the smallest amount of new memory allocation possible
# -- one more array *view*
view = arr[-remainder:]
tmp = tmp[-remainder:]
np.subtract(view, mean, out=tmp)
tmp *= tmp
total_squares += tmp.sum()
var = total_squares / len(arr)
sd = var ** 0.5
return sd
a = np.arange(20e6)
assert np.isclose(np.std(a), std(a))
显示加速速度--- blocksize
越大,速度越快。并且大大降低了内存开销。不完全是较低的内存开销是100%准确的。
In [70]: %timeit np.std(a)
10 loops, best of 3: 105 ms per loop
In [71]: %timeit std(a, blocksize=4096)
10 loops, best of 3: 160 ms per loop
In [72]: %timeit std(a, blocksize=1000000)
10 loops, best of 3: 105 ms per loop
In [73]: %memit std(a, blocksize=4096)
peak memory: 360.11 MiB, increment: 0.00 MiB
In [74]: %memit std(a, blocksize=1000000)
peak memory: 360.11 MiB, increment: 0.00 MiB
In [75]: %memit np.std(a)
peak memory: 512.70 MiB, increment: 152.59 MiB
答案 1 :(得分:5)
Cython救援!这实现了很好的加速:
%%cython
cimport cython
cimport numpy as np
from libc.math cimport sqrt
@cython.boundscheck(False)
def std_welford(np.ndarray[np.float64_t, ndim=1] a):
cdef int n = 0
cdef float mean = 0
cdef float M2 = 0
cdef int a_len = len(a)
cdef int i
cdef float delta
cdef float result
for i in range(a_len):
n += 1
delta = a[i] - mean
mean += delta / n
M2 += delta * (a[i] - mean)
if n < 2:
result = np.nan
return result
else:
result = sqrt(M2 / (n - 1))
return result
用它来测试:
a = np.random.rand(10000).astype(np.float)
print std_welford(a)
%timeit -n 10 -r 10 std_welford(a)
Cython代码
0.288327455521
10 loops, best of 10: 59.6 µs per loop
原始代码
0.289605617397
10 loops, best of 10: 18.5 ms per loop
Numpy std
0.289493223504
10 loops, best of 10: 29.3 µs per loop
所以速度增加了大约300倍。仍然不如numpy版本..