![](/img/trans.png)
[英]Complex eigenvalues computation using scipy.sparse.linalg.eigs
[英]Sparse eigenvalues : scipy.sparse.linalg.eigs is slower than scipy.linalg.eigvals
我有一個奇特的現象,雖然scipy.sparse.linalg.eigs
應該是稀疏矩陣快,我得到它的運行速度比正常情況下慢eigvals
的方法scipy
:
In [4]: %timeit m.calc_pde_numerical_jacobian(m.initial_state)
10 loops, best of 3: 41.2 ms per loop
In [5]: %timeit m.calc_pde_analytic_jacobian(m.initial_state)
1000 loops, best of 3: 1.42 ms per loop
In [6]: %timeit m.calc_analytic_pde_eigs(m.initial_state)
1 loop, best of 3: 374 ms per loop
In [7]: %timeit m.calc_numeric_pde_eigs(m.initial_state)
1 loop, best of 3: 256 ms per loop
因此方法calc_pde_numerical_jacobian
構造了我的方程組雅可比calc_pde_numerical_jacobian
的密集矩陣, calc_pde_analytic_jacobian
正在構造雅可比分析的稀疏矩陣( csc
格式)。 雖然分析方法在構造雅可比矩陣的稀疏矩陣方面工作得更快,但當使用scipy的特征值求解方法時,稀疏矩陣特征值方法較慢。 我用來計算特征值的函數是這樣的:
def calc_numeric_pde_eigs(self,state):
return linalg.eigvals(self.calc_pde_numerical_jacobian(state))
def calc_analytic_pde_eigs(self,state):
return sparse.linalg.eigs(self.calc_pde_analytic_jacobian(state),k=6,which='LR',return_eigenvectors=False)
誰知道這會怎么樣?
對於足夠大和稀疏的矩陣,稀疏求解器應該更快。 我在范圍(150,550,50)和N = 1000中為N運行以下代碼段:
In [150]: from scipy import sparse
In [151]: from scipy import linalg
[...]
In [186]: N = 150
In [187]: m = sparse.random(N, N, density=0.05).tocsc()
In [188]: a = m.A
In [189]: %timeit sparse.linalg.eigs(m, k=6, which='LR', return_eigenvectors=False)
10 loops, best of 3: 20.2 ms per loop
In [190]: %timeit linalg.eigvals(a)
100 loops, best of 3: 9.66 ms per loop
得到以下時間(以毫秒為單位):
N 150 200 250 300 350 400 450 500 1000
sparse.linalg.eig 20.2 22.2 28.9 29.4 48.5 38.6 75.2 57.9 152
linalg.eigvals 9.7 17.0 24.5 37.0 52.7 63.3 82.5 105 482
在這種情況下,稀疏求解器變得有競爭力的大小為250-300。
時間可能取決於稀疏性(即矩陣的百分比是非零的)以及非零元素的結構或模式。 對於您的問題,在矩陣大於512x512之前,稀疏求解器可能不會更好。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.