Question

学校的T.A向我展示了这段代码作为最小二乘拟合算法的例子。

import numpy as np
#return the coefficients (a0,..aN) of the fit y=a0+a1*x+..an*x^n
#with associated sigma dy
#x,y,dy are all np.arrays with dtype= np.float64
def fit_poly(x,y,dy,n):
  V = np.asmatrix(np.diag(dy**2))
  M = []

  for k in range(n+1):
      M.append(x**k)
  M = np.asmatrix(M).T
  theta = (M.T*V.I*M).I*M.T*V.I*np.asmatrix(y).T
  cov_t = (M.T*V.I*M).I

  return np.asarray(theta.T)[0], np.asarray(cov_t)

我试图使用cython优化他的代码。我有这个代码

cimport numpy as np
import numpy as np
cimport cython

@cython.boundscheck(False)
@cython.wraparound(False) 
cpdef poly_c(np.ndarray[np.float64_t, ndim=1] x ,
   np.ndarray[np.float64_t, ndim=1] y np.ndarray[np.float64_t,ndim=1]dy , np.int n):

   cdef np.ndarray[np.float64_t, ndim=2] V, M

   V=np.asmatrix(np.diag(dy**2),dtype=np.float64)
   M=np.asmatrix([x**k for k in range(n+1)],dtype=np.float64).T

   return ((M.T*V.I*M).I*M.T*V.I*(np.asmatrix(y).T))[0],(M.T*V.I*M).I

但两个程序的运行时似乎相同，我确实使用了'assert'来确保输出相同。我错过了什么/做错了什么？

感谢您的时间，希望您能帮助我。

ps：这是我正在使用的代码（不确定我是否可以调用此分析但是没有）

import numpy as np
from polyC import poly_c
from time import time
from pancho_fit import fit_poly
#pancho's the T.A,sup pancho
x=np.arange(1,1000)
x=np.asarray(x,dtype=np.float64)
y=3*x+np.random.random(999)
y=np.asarray(y,dtype=np.float64)
dy=np.array([y.std() for i in range(1,1000)],dtype=np.float64)
t0=time()
a,b=poly_c(x,y,dy,4)
#a,b=fit_poly(x,y,dy,4)
print("time={}s".format(time()-t0))

Answer 1

除了[x**k for k in range(n+1)]我没有看到cython的任何迭代改进。大部分行动都是基质产品。这些已经完成了编译代码（np.dot用ndarrays）。

n只有4次，迭代次数不多。

但为什么要重复这个呢？

In [24]: x=np.arange(1,1000.)
In [25]: M1=x[:,None]**np.arange(5)
# np.matrix(M1)

做同样的事情。

所以不，这看起来不像是一个好的cython候选者 - 除非你准备以可编译的细节写出所有这些矩阵产品。

我还会跳过asmatrix内容，并使用常规dot，@和einsum，但这更多的是风格而非速度。

Cython / numpy vs pure numpy for the square square fitting

1 个答案: