Question

我正在Rust中编写一个神经网络的实现，并试图计算两个矩阵的点积。我有以下代码：

fn dot_product(a: Vec<f64>, b: Vec<f64>) -> f64 {
    // Calculate the dot product of two vectors.
    asserteq!(a.len(), b.len());
    let mut product: f64;
    for i in 0..a.len() {
        product += a[i] * b[i];
    }
    product
}

这需要两个向量a和b（具有相同的长度），并进行逐元素乘法（向量a的值1与向量{{的值1）相乘1}}，并将其添加到向量b的值2以及向量a的值2中，依此类推...）。

有没有更有效的方法？如果是，怎么办？

Answer 1

这并不是一个全面的一般答案，但我想分享一些代码。

您的实现看起来很像我会做的事情，除非我知道这是我应用程序的瓶颈。然后，我将研究更深奥的方法（也许是SIMD）。

也就是说，您可以考虑更改函数以采用切片引用。这样，您可以传递Vec或数组：

fn dot_product(a: &[f64], b: &[f64]) -> f64 {
    // Calculate the dot product of two vectors. 
    assert_eq!(a.len(), b.len()); 
    let mut product = 0.0;
    for i in 0..a.len() {
        product += a[i] * b[i];
    }
    product
}

fn main() {
    println!("{}", dot_product(&[1.0,2.0], &[3.0,4.0]));
    println!("{}", dot_product(&vec![1.0,2.0], &vec![3.0,4.0]));
}

另请参阅：

Why is it discouraged to accept a reference to a String (&String), Vec (&Vec), or Box (&Box) as a function argument?

Answer 2

我用rayon和packed_simd来计算点积和找到了一种比英特尔MKL更快的方法：

extern crate packed_simd;
extern crate rayon;
extern crate time;

use packed_simd::f64x4;
use packed_simd::f64x8;
use rayon::prelude::*;
use std::vec::Vec;

fn main() {
    let n = 100000000;
    let x: Vec<f64> = vec![0.2; n];
    let y: Vec<f64> = vec![0.1; n];

    let res: f64 = x
        .par_chunks(8)
        .map(f64x8::from_slice_unaligned)
        .zip(y.par_chunks(8).map(f64x8::from_slice_unaligned))
        .map(|(a, b)| a * b)
        .sum::<f64x8>()
        .sum();
    println!("res: {}", res);
}

This code in my Github。我希望这有帮助。

在Rust中计算两个f64向量的点积的最快方法是什么？

2 个答案: