r - 为矩阵向量化 min()

Question

我希望对以下循环进行矢量化:

for (i in 1:n) {
    for (j in 1:m) {
        temp_mat[i,j]=min(temp_mat[i,j],1);
    }
}  

我以为我可以做 temp_mat=min(temp_mat,1)，但这并没有给我想要的结果。有没有一种方法可以矢量化此循环以使其更快？

Answer 1

只需使用 temp_mat <- pmin(temp_mat, 1) .参见 ?pmin更多地使用平行最小值。

例子:

set.seed(0); A <- matrix(sample(1:3, 25, replace = T), 5)
#> A
#     [,1] [,2] [,3] [,4] [,5]
#[1,]    3    1    1    3    3
#[2,]    1    3    1    2    3
#[3,]    2    3    1    3    1
#[4,]    2    2    3    3    2
#[5,]    3    2    2    2    1
B <- pmin(A, 2)
#> B
#     [,1] [,2] [,3] [,4] [,5]
#[1,]    2    1    1    2    2
#[2,]    1    2    1    2    2
#[3,]    2    2    1    2    1
#[4,]    2    2    2    2    2
#[5,]    2    2    2    2    1

---

更新

由于您具有计算科学背景，我想提供更多信息。

pmin速度很快，但离高性能还很远。它的前缀“parallel”仅表示 element-wise . R 中“向量化”的含义与 HPC 中的“SIMD 向量化”不同。 R 是一种解释型语言，因此 R 中的“向量化”意味着选择 C ​​级循环而不是 R 级循环。因此，pmin只是用一个简单的 C 循环编码。

真正的高性能计算应该受益于 SIMD 矢量化。我相信您知道 SSE/AVX 内在函数。所以如果你写一个简单的 C 代码，使用 _mm_min_pd来自 SSE2 ，您将从 pmin 获得约 2 倍的加速;如果你看到_mm256_min_pd从 AVX，您将获得比 pmin 约 4 倍的加速.

不幸的是，R 本身不能执行任何 SIMD。 我在 Does R leverage SIMD when doing vectorized calculations? 的帖子中有一个答案。关于这个问题。对于您的问题，即使您将 R 链接到 HPC BLAS，pmin不会受益于 SIMD，仅仅因为 pmin不涉及任何 BLAS 操作。因此，更好的选择是自己编写编译后的代码。