私は自分のコードの一部にあるループを最適化しようとしています。私はそれをよりぬるぬる方法で書くと速くなると思ったが、今は遅い! 式は、入力として、長さnのnumpy.arrayのVECを取る:再帰方程式のための効率的なPythonの方法
from numpy import *
def f(vec):
n=len(vec)
aux=0
for i in range(n):
aux = aux + (1- aux)*vec[i]
return aux
def f2(vec):
n=len(vec)
G=tril(array([-vec]*n),-1)+1 #numpy way!
aux=dot(G.prod(1),vec)
return aux
if __name__ == '__main__':
import timeit
print(timeit.timeit("f(ones(225)+4)", setup="from __main__ import f\nfrom numpy import ones",number=1000))
print(timeit.timeit("f2(ones(225)+4)", setup="from __main__ import f2\nfrom numpy import ones,tril,dot",number=1000))
0.429496049881 [S]
5.66514706612 [S]
最後に私がループ全体機能をinserteすることを決定し、パフォーマンスを3倍向上させます。私は実際に100倍の性能向上を望んでいますが、それ以外のことは分かりません。線形アルゴリズムは二次ものに置き換えますときに何が起こるかだ
def CALC_PROB_LOC2(int nSectors, int nZones,double[:] beta, double[:] thetaLoc,np.ndarray[double, ndim=2] h, np.ndarray[double, ndim=2] p, np.ndarray[np.float64_t, ndim=3] U_nij, np.ndarray[double, ndim=2] A_ni):
cdef np.ndarray[double, ndim=3] Pr_nij =np.zeros((nSectors,nZones,nZones),dtype="d")
cdef np.ndarray[double, ndim=2] U_ni =np.zeros((nSectors,nZones),dtype="d")
#cdef np.ndarray[np.float64_t, ndim=1] A_ni_pos
cdef Py_ssize_t n,i,opt
cdef int aux_bool,options
cdef np.ndarray[np.float64_t, ndim=1] prob,attractor,optionCosts
cdef np.ndarray[np.float64_t, ndim=1] eq23,utilities
cdef double disu
cdef double eq22
cdef double aux17
for n in range(nSectors):
aux_bool=1
if n in [0,2,9,10,11,12,13,14,18,19,20]:
for i in xrange(nZones):
U_ni[n,i]=p[n,i]+h[n,i]
Pr_nij[n,i,i]=1
aux_bool=0
if aux_bool==1:
if beta[n]<=0:
for i in xrange(nZones):
U_ni[n,i]=U_nij[n,i,i]
else:
A_ni_pos=A_ni[n,:]>0
options=len(A_ni[n,:][A_ni_pos])
attractor=A_ni[n,:][A_ni_pos]
if options>0:
for i in xrange(nZones):
optionCosts=U_nij[n,i,A_ni_pos]
disu=0
eq22=0
aux17=0
prob=np.ones(options)/options #default value
if beta[n]==0:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,0
if options==1:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,optionCosts
else:
if thetaLoc[n]<=0:
cmin=1
else:
cmin=(optionCosts**thetaLoc[n]).min()
if cmin==0:
cmin=100
utilities=optionCosts/cmin
eq23=-beta[n]*utilities
eq23=np.exp(eq23)
aux17=np.dot(attractor,eq23)
if aux17==0:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= 0*prob,0
else:
for opt in range(options):
eq22=eq22+(1-eq22)*eq23[opt]
prob=attractor*eq23/aux17
disu=cmin*(-np.log(eq22)/beta[n])
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,disu
return Pr_nij,U_ni
「vec」とは何ですか? 「n」とは何ですか? – TerryA
方程式は、長さnのnumpy配列vecを入力として取ります: – tcapelle
どのように遅く実行されると判断しましたか?タイムアウトした場合は、テストと結果を投稿してください。 – thegrinner