Question

我想以最快的方式在python中计算内核矩阵：输入是矩阵X = nsamples，nfeatues 输出应该是对称矩阵D = nsamples，nsapmles

我现在正在使用的方法，即使基于迭代器似乎对for循环来说真的很慢......有人能想到更好的东西吗？

由于

到目前为止，我的方法是：

from itertools import combinations
def computeKernel(X,dlambda):
    nsamples=X.shape[0]
    D=numpy.zeros((nsamples,nsamples))
    for el in combinations(range(nsamples),2):
        i,j=el
        D[el]=quadraticChiDist(X[i,:],X[j,:])


    D=D+D.T
    D=numpy.exp(-dlambda*D/255)
    D=numpy.eye(D)+D    
    return D

其中quadraticChiDist是为X

中每个可能的行对计算的函数

Answer 1

您可以通过

替换内循环来缩短一半的运行时间

for i in range(nsamples):
    for j in range(i):
        D[i,j]=quadraticChiDist(X[i,:],X[j,:])
        D[j,i]=D[i,j]

即使quadraticChiDist不对称，也无关紧要，因为你将矩阵对称化了（你忘了除以2吗？）::

D = D + D.T

为了进一步加速，我建议优化quadraticChiDist的速度。

此外，我建议http://cython.org/，尤其是http://docs.cython.org/src/tutorial/numpy.html。在很多情况下，这可以提供C的速度。

Answer 2

经过一番搜索，我意识到可能最好的解决方案是在scipy中使用pdist函数。它实现了几个距离函数，或者您可以通过仿函数来计算距离。但是，这个函数非常快（因为它在c中实现）提供的距离，但遗憾的是，对于传递的仿函数来说，它并没有获得太多。实际上，在后一种情况下，它基本上等同于纯python中建议的for循环解决方案。

快速内核矩阵计算python

2 个答案: