Zoeken…


Snelheid moeilijk te vectoriseren voor lussen met Rcpp

Overweeg de volgende moeilijk te vectoriseren voor lus, die een vector van lengte len creëert waarbij het eerste element is opgegeven ( first ) en elk element x_i gelijk is aan cos(x_{i-1} + 1) :

repeatedCosPlusOne <- function(first, len) {
  x <- numeric(len)
  x[1] <- first
  for (i in 2:len) {
    x[i] <- cos(x[i-1] + 1)
  }
  return(x)
}

Deze code omvat een for-lus met een snelle werking ( cos(x[i-1]+1) ), die vaak profiteren van vectorisatie. Het is echter niet triviaal om deze bewerking te vectoriseren met base R, omdat R geen "cumulatieve cosinus van x + 1" functie heeft.

Een mogelijke manier om deze functie te versnellen zou zijn om deze in C ++ te implementeren met behulp van het Rcpp-pakket:

library(Rcpp)
cppFunction("NumericVector repeatedCosPlusOneRcpp(double first, int len) {
  NumericVector x(len);
  x[0] = first;
  for (int i=1; i < len; ++i) {
    x[i] = cos(x[i-1]+1);
  }
  return x;
}")

Dit levert vaak aanzienlijke versnellingen op voor grote berekeningen en levert exact dezelfde resultaten op:

all.equal(repeatedCosPlusOne(1, 1e6), repeatedCosPlusOneRcpp(1, 1e6))
# [1] TRUE
system.time(repeatedCosPlusOne(1, 1e6))
#    user  system elapsed 
#   1.274   0.015   1.310 
system.time(repeatedCosPlusOneRcpp(1, 1e6))
#    user  system elapsed 
#   0.028   0.001   0.030 

In dit geval genereert de Rcpp-code een vector met een lengte van 1 miljoen in 0,03 seconden in plaats van 1,31 seconden met de basis R-benadering.

Snelheid moeilijk te vectoriseren voor lussen per byte compileren

Volg het Rcpp-voorbeeld in deze documentatie-entry en overweeg de volgende moeilijk te vectoriseren functie, die een vector van lengte len creëert waarbij het eerste element is opgegeven ( first ) en elk element x_i gelijk is aan cos(x_{i-1} + 1) :

repeatedCosPlusOne <- function(first, len) {
  x <- numeric(len)
  x[1] <- first
  for (i in 2:len) {
    x[i] <- cos(x[i-1] + 1)
  }
  return(x)
}

Een eenvoudige manier om een dergelijke functie te versnellen zonder een enkele coderegel te herschrijven, is byte compileren van de code met behulp van het R compile-pakket:

library(compiler)
repeatedCosPlusOneCompiled <- cmpfun(repeatedCosPlusOne)

De resulterende functie zal vaak aanzienlijk sneller zijn en toch dezelfde resultaten opleveren:

all.equal(repeatedCosPlusOne(1, 1e6), repeatedCosPlusOneCompiled(1, 1e6))
# [1] TRUE
system.time(repeatedCosPlusOne(1, 1e6))
#    user  system elapsed 
#   1.175   0.014   1.201 
system.time(repeatedCosPlusOneCompiled(1, 1e6))
#    user  system elapsed 
#   0.339   0.002   0.341 

In dit geval versnelde het compileren van bytes de moeilijk te vectoriseren bewerking op een vector met een lengte van 1 miljoen van 1,20 seconden tot 0,34 seconden.

Opmerking

De essentie van repeatedCosPlusOne , als de cumulatieve toepassing van een enkele functie, kan transparanter worden uitgedrukt met Reduce :

iterFunc <- function(init, n, func) {
  funcs <- replicate(n, func)
  Reduce(function(., f) f(.), funcs, init = init, accumulate = TRUE)
}
repeatedCosPlusOne_vec <- function(first, len) {
  iterFunc(first, len - 1, function(.) cos(. + 1))
}

repeatedCosPlusOne_vec kan worden beschouwd als een "vectorisatie" van repeatedCosPlusOne . Er kan echter worden verwacht dat het met een factor 2 langzamer is:

library(microbenchmark)
microbenchmark(
  repeatedCosPlusOne(1, 1e4),
  repeatedCosPlusOne_vec(1, 1e4)
)
#> Unit: milliseconds
#>                              expr       min        lq     mean   median       uq      max neval cld
#>      repeatedCosPlusOne(1, 10000)  8.349261  9.216724 10.22715 10.23095 11.10817 14.33763   100  a 
#>  repeatedCosPlusOne_vec(1, 10000) 14.406291 16.236153 17.55571 17.22295 18.59085 24.37059   100   b


Modified text is an extract of the original Stack Overflow Documentation
Licentie onder CC BY-SA 3.0
Niet aangesloten bij Stack Overflow