[英]Matrix (scipy sparse) - Matrix (dense; numpy array) multiplication efficiency
[英]How to do efficient matrix multiplication between a dense numpy matrix and a sparse scipy vector?
使用@
将稀疏的矢量向量与稀疏的numpy矩阵相乘效率极低。 似乎它根本没有利用向量的稀疏性。
说我们有
A = np.eye(5000)
x = np.eye(5000)[333]
x = scipy.sparse.coo_matrix(x).T # make it a sparse vector
然后使用@
产生乘法:
%timeit A @ x
8 ms ± 78.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
让我们自己编写一个非常糟糕的稀疏乘法:
def mult_dense_with_sparse(A, x):
return (A[:,x.nonzero()[0]] @ x.toarray()[x.nonzero()[0]]).T[0]
瞧瞧:
%timeit mult_dense_with_sparse(A, x)
50.3 µs ± 45.3 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
快很多 ! 即使此实现首先通过再次添加所有零来创建密集向量,然后再次删除所有零...所以我想知道,如果不是@
,我如何才能将密集的numpy矩阵与稀疏的scipy向量有效相乘? 这样的基本操作当然是科学的一部分吗?
编辑:在其他问题中提供的解决方案没有帮助,因为它与@
一样低效:
%timeit scipy.sparse.csr_matrix.dot(A, x)
7.97 ms ± 113 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
在响应程序Hameer Abbasi中编辑2:
Line # Hits Time Per Hit % Time Line Contents
==============================================================
101 @profile
102 def ratio(self, n):
103 80 51.0 0.6 0.0 s = n + 1
104 80 11401854.0 142523.2 16.1 self.sfpc = self.scolPCA(s) # sparse first principal component
106 80 351898.0 4398.7 0.5 wSums = (self.signals[:,self.sfpc.nonzero()[0]] @ self.sfpc.toarray()[self.sfpc.nonzero()[0]]).T[0]
108 80 56487433.0 706092.9 79.7 wSums = self.sfpc.T.dot(self.signals.T)[0]
110 80 2521189.0 31514.9 3.6 self.Flag, self.threshold, self.incline, self.deltaVar = self.actFunctOpt(list(wSums))
111 80 160.0 2.0 0.0 return self.deltaVar / (2 + s)
在这里,您可以看到我们的“ hack”花费了此功能约0.5%的时间,而使用dot
花费了此功能约79.7%的时间。
在您的示例中, A
的类型为np.ndarray
, x
的类型为scipy.sparse.coo_matrix
。
如果您正在寻找最简单的答案来加快速度,请按以下步骤进行:
import numpy as np
import scipy.sparse as sps
A = np.random.rand(5000, 5000)
v = np.zeros((5000, 1))
v[333] = 1
v_s = sps.csc_matrix(v)
%timeit v_s.T.dot(A).T # 46.6 µs ± 1.11 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit A @ v # 6.75 ms ± 29.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
但是,如果您想让这个问题的答案更复杂:当前,由于有bug ,运算符@
不支持NumPy数组的重载。 此外, scipy.sparse.coo_matrix
甚至都不会尝试覆盖@
,并且scipy.sparse.csr_matrix
矩阵乘法更快( coo_matrix
都将首先转换为csr_matrix
进行乘法)。
因此,发生的事情是NumPy将您的稀疏矢量转换为NumPy数组,然后执行密集乘法。
但是, csr_matrix.dot
存在并且支持与密集的NumPy数组相乘。 因此,我们使用属性A @ B = (BT @ AT).T
以及csc_matrix.T
生成csr_matrix
来生成上述优化代码的事实。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.