Numpy 两个矩阵部分维度相乘,有没有很快的方法?

2018-09-27 19:49:39 +08:00
 xinhangliu

例如,有两个三维矩阵 m1,m2,shape 都是 (10000, 2, 2)

m1 = array([x1, x2, ..., x9999])
m2 = array([y1, y2, ..., y9999])

xn, yn 都是 2x2 的矩阵。

希望得到的结果是:

res = array([dot(x1, y1), dot(x2, y2), ..., dot(x9999, y9999)])

目前我试过最快的方法是 map(循环、列表推导都试过,numpy.vectorize 没成功),但感觉还是不够快。各位有没有更好的方法?

5063 次点击
所在节点    Python
13 条回复
JeffKing
2018-09-27 20:02:51 +08:00
多进程试试
Philippa
2018-09-27 20:24:47 +08:00
Python 已经很快了底层做了很多优化,不行把矩阵拆开多进程大批量的情况下可以加快最后再组合回来。再不行试一下用 cpp。
justou
2018-09-27 20:39:41 +08:00
放到 cython 里面用 prange 多线程算
yoohwzy
2018-09-27 20:42:18 +08:00
https://software.intel.com/en-us/articles/numpyscipy-with-intel-mkl

试试这个,再不行就只能用 Matlab 了,不要尝试手写 cpp,几乎不可能比 MKL 更快的了
GenkunAbe
2018-09-27 22:13:50 +08:00
不知道是不是我理解的有问题,numpy.matmul 是可以实现多个矩阵对应元素相乘的。

按照我对 lz 的描述的理解,直接 np.matmul(m1, m2) 就可以达到目的。
wizardforcel
2018-09-27 22:25:04 +08:00
https://docs.scipy.org/doc/numpy/reference/generated/numpy.matmul.html

If either argument is N-D, N > 2, it is treated as a stack of matrices residing in the last two indexes and broadcast accordingly.

意思是,如果输入大于 2d,会当做矩阵的数组 /矩阵...

所以直接乘就行了
nooper
2018-09-27 22:25:55 +08:00
有的有的,直接选择矩阵特定的切片元素相乘就好因为直接是矩阵计算不需要循环,性能可以的
necomancer
2018-09-27 22:31:48 +08:00
matmul(...)
matmul(a, b, out=None)

Matrix product of two arrays.

The behavior depends on the arguments in the following way.

- If both arguments are 2-D they are multiplied like conventional
matrices.
- If either argument is N-D, N > 2, it is treated as a stack of
matrices residing in the last two indexes and broadcast accordingly.
...

所以 np.matmul(m1, m2) 就行了。

In [1]: a = np.random.random((100000,2,2))

In [2]: b = np.random.random((100000,2,2))

In [3]: c = np.matmul(a, b)

In [4]: d = np.array([np.dot(i,j) for i,j in zip(a,b)])

In [5]: np.allclose(c,d)
Out[5]: True

In [6]: %timeit np.matmul(a,b)
41.1 ms ± 81.6 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [7]: %timeit np.array([np.dot(i,j) for i, j in zip(a,b)])
231 ms ± 5.81 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
necomancer
2018-09-27 23:53:12 +08:00
加上 vectorize 的:

In [28]: def mydot(a, b):
...: return np.dot(a,b)
...:
...:

In [29]:

In [29]: vmydot = np.vectorize(mydot, signature='(n,m),(m,n)->(n,n)')

In [30]: e = vmydot(a, b)

In [31]: np.allclose(d,e)
Out[31]: True

In [32]: %timeit vmydot(a,b)
467 ms ± 4.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
xinhangliu
2018-09-27 23:54:26 +08:00
@necomancer 非常感谢!看来我还是学艺不精
necomancer
2018-09-28 00:31:34 +08:00
不客气。我很久没鼓捣过这玩意儿了,我记得 numba 的各路 jit 处理这个问题是很嗨的,你要是经常遇到这种问题,去看看 numba 吧,有 GPU 加速更开心 ^_^

In [1]: from numba import guvectorize, float64

In [2]: a = np.random.random((100000,2,2))

In [3]: b = np.random.random((100000,2,2))

In [4]: c = np.matmul(a, b)

In [5]: d = np.array([np.dot(i,j) for i,j in zip(a,b)])

In [6]: @guvectorize([(float64[:,:],float64[:,:], float64[:,:])], '(n,m),(m,n)->(n,n)', target='parallel') #target='cpu','gpu'
...: def mydot(a,b,res):
...: for i in range(res.shape[0]):
...: for j in range(res.shape[1]):
...: tmp = 0.
...: for k in range(a.shape[1]):
...: tmp += a[i, k] * b[k, j]
...: res[i, j] = tmp
...:

In [7]: e = mydot(a, b)

In [8]: np.allclose(c,e)
Out[8]: True

In [9]: np.allclose(c,d)
Out[9]: True

In [10]: %timeit mydot(a,b)
234 µs ± 4.02 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [11]: %timeit np.array(list(map(np.dot, a, b)))
210 ms ± 2.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [12]: %timeit np.array([np.dot(i,j) for i, j in zip(a,b)])
235 ms ± 5.87 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [13]: %timeit np.matmul(a,b)
41.1 ms ± 90 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
zhucegeqiu
2018-09-28 07:42:05 +08:00
no.tensordot
zhucegeqiu
2018-09-28 07:42:31 +08:00
@zhucegeqiu 打错,np.tensordot

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/493296

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX