Question

我有一个大矩阵（236680 * 236680），我的电脑没有足够的内存来读取完整的矩阵，所以我在想Scipy稀疏矩阵。我的目标是将生成的矩阵（非稀疏）乘以np.eye（观察次数）-np.ones（观察次数）/用稀疏矩阵观察的次数。

在Scipy中，我使用以下代码，但计算仍然很大。我的问题包括：

生成第一个矩阵，还有其他方法可以加快这个过程吗？
对于矩阵乘法，有没有办法减少内存使用量，因为第一个矩阵不稀疏？

-

from scipy.sparse import lil_matrix
fline=5
nn=1/fline
M=lil_matrix((fline,fline))
M.setdiag(values=1-nn,k=0)
for i in range(fline)[1:]:
    M.setdiag(values=0-nn,k=i)
    M.setdiag(values=0-nn,k=-i)

#the first matrix is:
array([[ 0.8, -0.2, -0.2, -0.2, -0.2],
       [-0.2,  0.8, -0.2, -0.2, -0.2],
       [-0.2, -0.2,  0.8, -0.2, -0.2],
       [-0.2, -0.2, -0.2,  0.8, -0.2],
       [-0.2, -0.2, -0.2, -0.2,  0.8]])
#the second matrix is:
array([[0., 0., 0., 1., 0.],
      [0., 0., 0., 0., 0.],
      [0., 0., 0., 1., 0.],
      [0., 0., 0., 0., 0.],
      [1., 0., 1., 0., 0.]])
a2=M.dot(B)
#the final expected results
array([[-0.2,  0. , -0.2,  0.6,  0. ],
       [-0.2,  0. , -0.2, -0.4,  0. ],
       [-0.2,  0. , -0.2,  0.6,  0. ],
       [-0.2,  0. , -0.2, -0.4,  0. ],
       [ 0.8,  0. ,  0.8, -0.4,  0. ]])

更新：有没有办法提高跨产品的速度？测试Numpy dot和Scipy稀疏点函数。

Answer 1

对于第一个问题：数学上，

arr1 = array([[ 0.8, -0.2, -0.2, -0.2, -0.2],
       [-0.2,  0.8, -0.2, -0.2, -0.2],
       [-0.2, -0.2,  0.8, -0.2, -0.2],
       [-0.2, -0.2, -0.2,  0.8, -0.2],
       [-0.2, -0.2, -0.2, -0.2,  0.8]])

相当于

arr1 = -0.2 * [[1,1,1,1,1,], + 1
               [1,1,1,1,1,],     1
               [1,1,1,1,1,],       1
               [1,1,1,1,1,],         1
               [1,1,1,1,1,]]           1

    = [1] [1, 1, 1, 1, 1] * 0.2 + 1
      [1]                           1
      [1]                             1
      [1]                               1
      [1]                                 1

因此，它可以使用

生成

-0.2 * np.outer([1,1,1,1,1], [1,1,1,1,1]) + scipy.sparse.identity(5)

对于第二个问题，让我滥用符号

-0.2* [1] [1, 1, 1, 1, 1] @ B + scipy.sparse.identity(5) @ B 
      [1]
      [1]
      [1]
      [1]

可以缩减为

np.outer([1, 1, 1, 1, 1], B.sum(axis=0)) * -0.2 + scipy.sparse.identity(5) @ B

一个人不需要真正计算np.outer([1, 1, 1, 1, 1], B.sum(axis=0))，因为这将是一个内存可能不适合的密集方阵。（请注意，外部产品基本上在其包含的每一行中重复B.sum(axis=0)。）

要以内存有效的方式恢复结果，您只需要存储B.sum(axis=0)和scipy.sparse.identity(5) @ B。

Answer 2

使用Scipy稀疏矩阵，因为其中一个matrics是稀疏矩阵，稀疏矩阵中的叉积函数是Numpy和Scipy之间最快的。

对于第一个问题，@ Tai的答案是基础，但我使用numpy.full函数（稍快一点）。

对于第二个问题，使用划分整个矩阵并将较小的计算矩阵保存在文件中。

from scipy import sparse
from scipy.sparse import vstack
import h5sparse
import numpy as num

fline=236680
nn=1/fline; dd=1-nn; off=0-nn
div=int(fline/(61*10))

for i in range(61*10):
    divM= num.full((fline, div), off) + sparse.identity(fline,format='csc')[:,0+div*i:div+div*i]

    vs=[]
    for j in range(divM.shape[1]):
        divMB=csr_matrix(divM.T[j]).dot(weights)
        vs.append(divMB)
    divapp=vstack(vs)

    if i ==0:
        h5f = h5sparse.File("F:/dissertation/dallastest/temp/tt1.h5")
        h5f.create_dataset('sparse/matrix', data=divapp, chunks=(389,),maxshape=(None,))        
    else:
        h5f['sparse/matrix'].append(divapp)

使用Scipy稀疏矩阵进行高效的矩阵更新和矩阵乘法

2 个答案: