[英]Can I speedup my R code with Rcpp?
我定義了一個R函數,其中包含一個矩陣,一個向量和一個參數a
。 我需要計算函數的結果的不同值a
。 用R
編寫代碼很簡單,但是當矩陣為“大”且參數值的數量很大時,速度非常慢。
我可以在R
定義函數並在Rcpp
執行for循環嗎?
可以加快計算速度嗎?
R
foo
函數的一個最小示例是
f <- function(X,y,a){
p = ncol(X)
res = (crossprod(X) + a*diag(1,p))%*%crossprod(X,y)
}
set.seed(0)
X <- matrix(rnorm(50*5),50,5)
y <- rnorm(50)
a <- seq(0,1,0.1)
result <- matrix(NA,ncol(X),length(a))
for(i in 1:length(a)){ # Can I do this part in Rcpp?
result[,i] <- f(X,y,a[i])
}
result
我只是建議避免在循環中重新計算X'X
和X'y
,因為它們是不變的。
f <- function (XtX, Xty, a) (XtX + diag(a, ncol(XtX))) %*% Xty
set.seed(0)
X <- matrix(rnorm(50*5),50,5)
y <- rnorm(50)
a <- seq(0,1,0.1)
result1 <- matrix(NA, ncol(X), length(a))
XtX <- crossprod(X)
Xty <- crossprod(X, y)
for(i in 1:length(a)) {
result1[,i] <- f(XtX, Xty, a[i])
}
## compare with your `result`
all.equal(result, result1)
#[1] TRUE
幾小時后...
當我回來時,我看到了更多需要簡化的東西。
(XtX + diag(a, ncol(XtX))) %*% Xty = XtX %*% Xty + diag(a, ncol(XtX)) %*% Xty
= XtX %*% Xty + a * Xty
因此,實際上XtX %*% Xty
也是循環不變的。
f <- function (XtX.Xty, Xty, a) XtX.Xty + a * Xty
set.seed(0)
X <- matrix(rnorm(50*5),50,5)
y <- rnorm(50)
a <- seq(0,1,0.1)
result2 <- matrix(NA, ncol(X), length(a))
XtX <- crossprod(X)
Xty <- c(crossprod(X, y)) ## one-column matrix to vector
XtX.Xty <- c(XtX %*% Xty) ## one-column matrix to vector
for(i in 1:length(a)) {
result2[,i] <- f(XtX.Xty, Xty, a[i])
}
## compare with your `result`
all.equal(result, result2)
#[1] TRUE
事實證明,我們可以擺脫循環:
## "inline" function `f`
for(i in 1:length(a)) {
result2[,i] <- XtX.Xty + a[i] * Xty
}
## compare with your `result`
all.equal(result, result2)
#[1] TRUE
## do it with recycling rule
for(i in 1:length(a)) {
result2[,i] <- a[i] * Xty
}
result2 <- XtX.Xty + result2
## compare with your `result`
all.equal(result, result2)
#[1] TRUE
## now use `tcrossprod`
result2 <- XtX.Xty + tcrossprod(Xty, a)
## compare with your `result`
all.equal(result, result2)
#[1] TRUE
我完全同意您的觀點,您在問題中的示例代碼只是一個"foo"
。 並且您在發布時可能沒有仔細考慮過。 但是,足以表明在編寫循環(R循環或C / C ++ / FORTRAN循環)時,我們應始終設法將那些循環不變式拉出循環以降低計算復雜性。
您關心的是要加快使用Rcpp(或任何編譯語言)的速度。 您想對不容易向量化的R代碼段進行向量化。 但是, "%*%"
, crossprod
和tcrossprod
映射到BLAS(FORTRAN代碼),而不是R級計算。 您隨時可以將所有向量化。
不要總是將R循環的解釋開銷( 因為R是一種解釋語言 )歸咎於性能不佳。 如果每次迭代都在進行一些“繁重”的計算,例如大矩陣計算(使用BLAS)或擬合統計模型(例如lm
),那么這種開銷是微不足道的。 實際上,如果您確實想用編譯語言編寫這樣的循環,請使用lapply
函數。 該函數在C級別實現循環,並為每次迭代調用R函數。 另外, 拉爾夫的答案是等價的Rcpp。 我認為,用R代碼編寫的循環嵌套更有可能效率低下。
李哲源的答案正確地確定了您的情況下應該采取的措施。 至於您最初的問題,答案有兩個:是的,您可以使用Rcpp將循環移至C ++。 不,您不會獲得性能:
#include <Rcpp.h>
// [[Rcpp::export]]
Rcpp::NumericMatrix fillMatrix(Rcpp::NumericMatrix X,
Rcpp::NumericVector y,
Rcpp::NumericVector a,
Rcpp::Function f) {
Rcpp::NumericMatrix result = Rcpp::no_init(X.cols(), a.length());
for (int i = 0; i < a.length(); ++i) {
result(Rcpp::_, i) = Rcpp::as<Rcpp::NumericVector>(f(X, y, a[i]));
}
return result;
}
/*** R
f <- function(X,y,a){
p = ncol(X)
res = (crossprod(X) + a*diag(1,p))%*%crossprod(X,y)
}
X <- matrix(rnorm(500*50),500,50)
y <- rnorm(500)
a <- seq(0,1,0.01)
system.time(fillMatrix(X, y, a, f))
# user system elapsed
# 0.052 0.077 0.075
system.time({result <- matrix(NA,ncol(X),length(a))
for(i in 1:length(a)){
result[,i] <- f(X,y,a[i])
}
})
# user system elapsed
# 0.060 0.037 0.049
*/
因此,在這種情況下,Rcpp解決方案實際上比R解決方案要慢。 為什么? 因為實際工作是在函數f
完成的。 這兩種解決方案都是相同的,但是Rcpp解決方案具有從C ++回調到R的額外開銷。 注意, R中的for循環不一定很慢 。 順便說一句,這里是一些基准數據:
expr min lq mean median uq max neval
fillMatrixR() 41.22305 41.86880 46.16806 45.20537 49.11250 65.03886 100
fillMatrixC() 44.57131 44.90617 49.76092 50.99102 52.89444 66.82156 100
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.