我有一个大的集合,我通过取自外积起重Ñd维向量(驻留在一个矩阵)(即,每个矢量I倍本身)的。对于每一个矢量,这产生与对称矩阵(d + 1)选择两个独特的条目。针对整个数据,这是一个N×d X d张量。我想仅计算唯一的(d + 1)从下部对角张量的每个切片的选择项2,并将它们存储在一个载体中。我想用尽可能少的内存占用和尽可能快地在Python这样做 - 包括使用C绑定。
如果你做到这一点使用标准numpy的方法,它分配每个矩阵的全部。这是关于双什么是实际需要的存储复杂。
对于规模感这里,考虑如下情况,其中N = 20K和d = 20K。然后N * d ^ 2 *〜每元素=(2 * 10 ^ 4)^ 3 * 8个字节= 64个TB的8个字节。
如果只计算了编码的唯一条目的向量,我们有(20001选择2)* 20K×8 = 200010000 * 20000 * 8个字节= 32兆兆字节。
是否有一个快速的方法来做到这一点,而不诉诸慢的方法(如编码我自己外积在Python)?
编辑:我注意到,类似的问题被问Create array of outer products in numpy
我已经知道如何计算这个使用einsum(如上面的问题)。然而,没有答案是达到了约这样做没有额外的(D选择2)计算和分配
编辑2:此线程How to exploit symmetry in outer product in Numpy (or other Python solutions)?问一个相关的问题,但并没有解决内存的复杂性。顶端答案将仍然分配用于每个外产物d X d阵列。
此线程Numpy Performance - Outer Product of a vector with its transpose还讨论了自外积的计算考虑,但没有达到内存有效的解决方案。
编辑3:如果一个人想要分配整个数组,然后提取元素,np.tril_indices
或scipy.spatial.distance.squareform
会做的伎俩。
不知道究竟如何你想你的输出,但总是有使用Numba的选项:
import numpy as np
import numba as nb
# Computes unique pairwise products
@nb.njit(parallel=True)
def self_outer_unique(a):
n, d = a.shape
out = np.empty((n, (d * d + d) // 2), dtype=a.dtype)
for i in nb.prange(n):
for j1 in range(d):
for j2 in range(j1, d):
idx = j1 * (2 * d - j1 + 1) // 2 + j2 - j1
out[i, idx] = a[i, j1] * a[i, j2]
return out
这将使您对每行(即,满输出的扁平的上部三角形)中的所有独特的产品阵列。
import numpy as np
a = np.arange(12).reshape(4, 3)
print(a)
# [[ 0 1 2]
# [ 3 4 5]
# [ 6 7 8]
# [ 9 10 11]]
print(self_outer_unique(a))
# [[ 0 0 0 1 2 4]
# [ 9 12 15 16 20 25]
# [ 36 42 48 49 56 64]
# [ 81 90 99 100 110 121]]
性能的角度来看,它是比计算与NumPy的全外产物更快,虽然重新创建全阵列从该需要更长的时间。
import numpy as np
def np_self_outer(a):
return a[:, :, np.newaxis] * a[:, np.newaxis, :]
def my_self_outer(a):
b = self_outer_unique(a)
n, d = a.shape
b_full = np.zeros((n, d, d), dtype=a.dtype)
idx0 = np.arange(n)[:, np.newaxis]
idx1, idx2 = np.triu_indices(d)
b_full[idx0, idx1, idx2] = b
b_full += np.triu(b_full, 1).transpose(0, 2, 1)
return b_full
n, d = 1000, 100
a = np.arange(n * d).reshape(n, d)
print(np.all(np_self_outer(a) == my_self_outer(a)))
# True
%timeit np_self_outer(a)
# 24.6 ms ± 248 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit self_outer_unique(a)
# 6.32 ms ± 69.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit my_self_outer(a)
# 124 ms ± 770 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)