Question

我有一个用python编写的函数，它执行两个过程：

预处理：从数组中读取数据并计算一些我稍后需要防止重复计算的值
迭代并计算摘要＆＃39;每个阶段的数据，并用它来解决优化问题。

代码如下：

import numpy as np
def iterative_hessian(data, targets,
                            sketch_method, sketch_size, num_iters):
    '''
    Original problem is min 0.5*||Ax-b||_2^2
    iterative_hessian asks us to minimise 0.5*||S_Ax||_2^2 - <A^Tb, x> 
    for a summary of the data S_A
    '''

    A = data
    y = targets
    n,d = A.shape
    x0 = np.zeros(shape=(d,))
    m = int(sketch_size) # sketching dimension

    ATy = A.T@y
    covariance_mat = A.T.dot(A)

    for n_iter in range(int(num_iters)):
        S_A = m**(-0.5)*np.random.normal(size=(m, n))
        B = S_A.T.dot(S_A)
        z = ATy - covariance_mat@x0 + np.dot(S_A.T, np.dot(S_A,x0)) #
        x_new = np.linalg.solve(B,z)
        x0 = x_new  
    return np.ravel(x0)

在实践中，我不使用S_A = m**(-0.5)*np.random.normal(size=(m, n))行，而是使用不同的随机变换，其应用速度更快，但原则上它足以解决问题。这段代码适用于我需要的东西，但我想知道是否有合理的方法来执行以下操作：

有没有办法指定S_A = m**(-0.5)*np.random.normal(size=(m, n))的独立随机副本的数量（num_iters - 可以被认为是10到30之间）{{在迭代之前需要1}}并且只扫描输入一次以生成所有这样的副本？我认为这会将S_A变量存储在某种多维数组中，但我不确定如何最好地执行此操作，或者它是否实用。我已经尝试了一个基本的例子并行执行此操作，但它比重复通过矩阵要慢。
假设我想赋予此函数更多属性，例如我想返回行S_A上的平均时间。这样做很简单 - 导入一个时间模块并将代码放在函数中，但是，这将始终是函数的时间，也许我只想在测试时执行此操作。一个简单的方法是在函数定义x_new = np.linalg.solve(B,z)中创建一个参数，然后让time_updates = False按照上面的if time_updates == False:进行复制完全相同的代码但添加了一些计时功能。有没有更好的方法可以使用Python中的类？

我的目的是对从不适合内存的文件中读取的数据块使用此迭代。虽然可以将块存储在内存中，但是如果函数只通过该块一次而不是else:次，则会很方便。传递计算的数量，num_iters，S_A等，但是很好。

向函数添加更多属性：时间和迭代改进

0 个答案: