python - 如何向量化以下python代码？

Question

我正在尝试使用 Numpy 和矢量化操作来使一段代码运行得更快，但我没有成功找到解决方案。如果有人有想法...谢谢。

这是带循环的工作代码:

y = np.zeros(len(tab))
for i in range(len(tab)):
    s =  0
    for n in range(len(coef[0])):
        s += coef[0][n] * ((a + b * np.dot(tab[i], vectors[n])) ** d)
    y[i] = s

在哪里，

• 制表符:numpy.array(N,M)
• 向量:numpy.array(P,M)
• 系数:numpy.array(1,P)
• a、b、c:常量(a = 0，如果更简单的话)

Answer 1

您可以使用基于 np.einsum 的方法和 matrix-multiplication with np.dot如下所列-

# Calculate "((a + b * np.dot(tab[i], vectors[n])) ** d)" part
p1 = (a + b*np.einsum('ij,kj->ki',tab,vectors))**d

# Include "+= coef[0][n] *" part to get the final output
y_vectorized = np.dot(coef,p1)

---

运行时测试

数据集#1:

这是一个快速的运行时测试，将原始的循环方法与建议的一些随机值方法进行比较 -

In [168]: N = 50
     ...: M = 50
     ...: P = 50
     ...: 
     ...: tab = np.random.rand(N,M)
     ...: vectors = np.random.rand(P,M)
     ...: coef = np.random.rand(1,P)
     ...: 
     ...: a = 3.233
     ...: b = 0.4343
     ...: c = 2.0483
     ...: d = 3
     ...: 

In [169]: %timeit original_approach(tab,vectors,coef,a,b,c,d)
100 loops, best of 3: 4.18 ms per loop

In [170]: %timeit proposed_approach(tab,vectors,coef,a,b,c,d)
10000 loops, best of 3: 136 µs per loop

数据集#2:

当 N、M 和 P 各为 150 时，运行时间为 -

In [196]: %timeit original_approach(tab,vectors,coef,a,b,c,d)
10 loops, best of 3: 37.9 ms per loop

In [197]: %timeit proposed_approach(tab,vectors,coef,a,b,c,d)
1000 loops, best of 3: 1.91 ms per loop