在Python中更快实现ReLu派生工具？

Question

我将ReLu派生实现为：

def relu_derivative(x):
     return (x>0)*np.ones(x.shape)

我也尝试过：

def relu_derivative(x):
   x[x>=0]=1
   x[x<0]=0
   return x

X的大小=（3072,10000）。 但这需要花费大量时间进行计算。还有其他优化的解决方案吗？

Answer 1

方法1：使用numexpr

在处理大数据时，如果预期的操作可以表示为算术运算，则可以使用支持多核处理的numexpr module。在这里，一种方法是-

(X>=0)+0

因此，要解决我们的问题，应该是-

import numexpr as ne

ne.evaluate('(X>=0)+0')

方法2：使用NumPy views

另一个技巧是使用views，方法是将比较掩码作为int数组查看，就像这样-

(X>=0).view('i1')

关于性能，它应该与创建X>=0相同。

时间

在随机数组上比较所有发布的解决方案-

In [14]: np.random.seed(0)
    ...: X = np.random.randn(3072,10000)

In [15]: # OP's soln-1
    ...: def relu_derivative_v1(x):
    ...:      return (x>0)*np.ones(x.shape)
    ...: 
    ...: # OP's soln-2     
    ...: def relu_derivative_v2(x):
    ...:    x[x>=0]=1
    ...:    x[x<0]=0
    ...:    return x

In [16]: %timeit ne.evaluate('(X>=0)+0')
10 loops, best of 3: 27.8 ms per loop

In [17]: %timeit (X>=0).view('i1')
100 loops, best of 3: 19.3 ms per loop

In [18]: %timeit relu_derivative_v1(X)
1 loop, best of 3: 269 ms per loop

In [19]: %timeit relu_derivative_v2(X)
1 loop, best of 3: 89.5 ms per loop

基于numexpr的线程带有8线程。因此，随着更多线程可用于计算，它应该进一步改进。 Related post了解如何控制多核功能。

方法3：方法1 + 2-

将两种方法混合使用，以获得大型阵列的最佳选择-

In [27]: np.random.seed(0)
    ...: X = np.random.randn(3072,10000)

In [28]: %timeit ne.evaluate('X>=0').view('i1')
100 loops, best of 3: 14.7 ms per loop