我是犰狳的新手。我有下面的代码,我认为这是低效的。有什么建议可以提高内存效率和/或速度吗?在armadillo docs和Rcpp gallery之后,我无法获得.colptr
,uvec
或批量插入工作。但我认为其中任何一项都会有所改进。
输入X
(~100 x 30000),即使我的大型工作虚拟机也崩溃了。
Linux release 7.3.1611 (Core)
117GB RAM / 0GB SWAP
(24 x 2.494 GHz) processor(s)
R version 3.3.2 (2016-10-31)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: CentOS Linux 7 (Core)
#include <RcppArmadillo.h>
// [[Rcpp::depends(RcppArmadillo)]]
using namespace Rcpp;
using namespace arma;
// [[Rcpp::export]]
sp_mat arma_distmat_LT(const arma::mat& x) { // input expected X_{n x p} n << p
int nr, nc;
Col<double> col0, col1;
nr = x.n_rows;
nc = x.n_cols;
sp_mat out(nc, nc);
for (int i = 0; i < nc; i++) {
col0 = x.col(i);
for (int j = i + 1; j < nc; j++) {
col1 = x.col(j);
out(j, i) = as_scalar(col0.t() * col1);
}
}
return out;
}
致电:sourceCpp("<file>"); dist_x <- arma_distmat_LT(X)
注意:这些是距离,因为我在计算余弦相似度,我设置了L2 norm == 1.
答案 0 :(得分:1)
在我看来,好像你只是在计算(上三角)矩阵乘积t(X)%*%X
。实际上,您可以使用未充分利用的crossprod
函数直接在R中执行此操作。
X <- matrix(rnorm(100*30000), ncol=30000)
res <- crossprod(X, X)
我的笔记本电脑需要几分钟。如果您更改代码以使用Armadillo库,则可以使用
sp_mat arma_distmat_LT2(const arma::mat& x) { // input expected X_{n x p} n << p
int nr, nc;
Col<double> col0, col1;
nr = x.n_rows;
nc = x.n_cols;
sp_mat out(nc, nc);
out = trimatl(x.t() * x, k=-1);
return out;
}
还需要几分钟。它使用了大量的内存,所以我怀疑你可以在内存中同时拥有很多对象。
可能会优化代码以仅计算下/上三角矩阵。
只是为了显示100 * 800矩阵的加速:
> microbenchmark(crossprod(X, X), arma_distmat_LT(X), arma_distmat_LT2(X))
Unit: milliseconds
expr min lq mean median uq
crossprod(X, X) 50.25574 53.72049 57.98812 56.29532 58.71277
arma_distmat_LT(X) 1331.83243 1471.42465 1523.74060 1492.84611 1512.45416
arma_distmat_LT2(X) 29.69420 33.23954 36.24613 35.54700 38.05208
max neval cld
160.81227 100 a
3080.37891 100 b
66.07351 100 a
正如你所看到的那样,通过强制它可以获得大幅度的加速。话虽如此,我确信可以进一步优化交叉产品。