- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一门课,我想用 Numba 加快速度。该类通过简单地使用特定种子创建 NumPy 的 RandomState 实例,为每个实例使用一个“随机数生成器”(因此我可以稍后复制我的工作)。当我使用 Numba 的 autojit 时,我收到一个奇怪的错误,这在“常规”Python 中不会出现。
幸运的是,这种行为非常容易复制。这是一个说明错误的简单示例:
from numpy.random import RandomState
from numba import autojit
# ------- This works in "regular Python" ------------
class SillyClass1(object):
def __init__(self, seed):
self.RNG = RandomState(seed)
def draw_uniform(self):
return self.RNG.uniform(0,1)
test1 = SillyClass1(123456)
test1.draw_uniform()
# Output:
# 0.12696983303810094
# The following code -- exactly the same as above, but with the @autojit
# decorator, doesn't work, and throws an error which I am having a hard
# time understanding how to fix:
@autojit
class SillyClass2(object):
def __init__(self, seed):
self.RNG = RandomState(seed)
def draw_uniform(self):
return self.RNG.uniform(0,1)
test2 = SillyClass2(123456)
test2.draw_uniform()
# Output:
#
# ValueError Traceback (most recent call last)
# <ipython-input-86-a18f95c11a1b> in <module>()
# 10
# 11
# ---> 12 test2 = SillyClass2(123456)
# 13
# 14 test2.draw_uniform()
#
# ...
#
# ValueError: object of too small depth for desired array
我在 Ubuntu 13.10 上使用 Anaconda 发行版。
有什么想法吗?
编辑:我找到了一个解决方法,即简单地使用 Python 的标准“random.Random”而不是 NumPys 的“numpy.random.RandomState”
例子:
from random import Random
@autojit
class SillyClass3(object):
def __init__(self, seed):
self.RNG = Random(seed)
def draw_uniform(self):
return self.RNG.uniform(0,1)
test3 = SillyClass3(123456)
test3.draw_uniform()
# Output:
# 0.8056271362589
这适用于我的即时应用程序(尽管其他问题立即出现,万岁)。
但是,此修复不适用于我知道我需要使用 numpy.random.RandomState 的 future 算法。所以我的问题仍然存在——是否有人对原始错误有任何见解,和/或在 Numba 中使用 numy.random.RandomState 的解决方法?
最佳答案
迟到的答案,但问题是 Numba does not support Numpy 的 RandomState
对象(截至 2019 年 7 月)。它也不支持使用 Python standard library 设置随机状态.
但是,鉴于 Numba 支持 np.random.seed
,您可以通过将 seed
参数传递到函数中来在 jitted 函数中使用 numpy 的 PRNG,并且然后调用其中的 np.random.seed(seed)
方法。来自Numba documentation :
Numba supports top-level functions from the numpy.random module, butdoes not allow you to create individual RandomState instances. Thesame algorithms are used as for the standard random module (andtherefore the same notes apply), but with an independent internalstate: seeding or drawing numbers from one generator won’t affect theother.
import random, numba, numpy
@numba.njit
def random_func(seed: int = 1234) -> str:
seeded_prng = numpy.random.seed(seed)
# Do random stuff
random_computation = numpy.random.uniform(0, 1)
return random_computation
# Example Invocation
seed = 1337
random_result = random_func(seed)
print(random_result)
应该产生:
0.2620246750155817
如果您想为每个类实例设置不同的随机状态,则需要为每个类设置一个单独的线程,因为 PRNG 与它们在其中实例化的线程相关联。幸运的是,Numba 会自动处理这个问题假设每个类都出现在它自己的线程中:
Since version 0.28.0, the generator is thread-safe and fork-safe. Eachthread and each process will produce independent streams of randomnumbers.
最后,如果您的目标是 CUDA,则有许多方法可以让您直接使用支持 GPU 的 PRNG,这可能很方便。从 Numba documentation 查看此页面.
关于python - 尝试实例化 NumPy RandomState 时出现 Numba 错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21371704/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!