我有以下代码(抱歉,它不是太小,我已经尝试从原来减少它) .
基本上,我在运行 eval_s()
方法/函数时遇到性能问题,其中I:
1)用 eigvalsh()
找到4x4埃尔米特矩阵的4个特征值
2)将特征值的倒数加到变量 result
中
3)并且我为 x,y,z
参数化的许多矩阵重复步骤1和2,将累积和存储在 result
中 .
我在第3步中重复计算(找到特征值和求和)的次数取决于我的代码中的变量 ksep
,我需要在实际代码中增加这个数字(即 ksep
必须减少) . 但是 eval_s()
中的计算在 x,y,z
上有一个for循环,我猜测它真的会让事情变慢 . [试试 ksep=0.5
看看我的意思 . ]
有没有办法对我的示例代码中指示的方法进行矢量化(或者通常,涉及查找参数化矩阵的特征值的函数)?
Code:
import numpy as np
import sympy as sp
import itertools as it
from sympy.abc import x, y, z
class Solver:
def __init__(self, vmat):
self._vfunc = sp.lambdify((x, y, z),
expr=vmat,
modules='numpy')
self._q_count, self._qs = None, [] # these depend on ksep!
################################################################
# How to vectorize this?
def eval_s(self, stiff):
assert len(self._qs) == self._q_count, "Run 'populate_qs' first!"
result = 0
for k in self._qs:
evs = np.linalg.eigvalsh(self._vfunc(*k))
result += np.sum(np.divide(1., (stiff + evs)))
return result.real - 4 * self._q_count
################################################################
def populate_qs(self, ksep: float = 1.7):
self._qs = [(kx, ky, kz) for kx, ky, kz
in it.product(np.arange(-3*np.pi, 3.01*np.pi, ksep),
np.arange(-3*np.pi, 3.01*np.pi, ksep),
np.arange(-3*np.pi, 3.01*np.pi, ksep))]
self._q_count = len(self._qs)
def test():
vmat = sp.Matrix([[1, sp.cos(x/4+y/4), sp.cos(x/4+z/4), sp.cos(y/4+z/4)],
[sp.cos(x/4+y/4), 1, sp.cos(y/4-z/4), sp.cos(x/4 - z/4)],
[sp.cos(x/4+z/4), sp.cos(y/4-z/4), 1, sp.cos(x/4-y/4)],
[sp.cos(y/4+z/4), sp.cos(x/4-z/4), sp.cos(x/4-y/4), 1]]) * 2
solver = Solver(vmat)
solver.populate_qs(ksep=1.7) # <---- Performance starts to worsen (in eval_s) when ksep is reduced!
print(solver.eval_s(0.65))
if __name__ == "__main__":
import timeit
print(timeit.timeit("test()", setup="from __main__ import test", number=100))
附:代码的同情部分可能看起来很奇怪,但它在我的原始代码中起作用 .
2 回答
你可以,这是如何:
这仍然使Sympy表达式的评估无法实现 . 这部分向量化有点棘手,主要是因为输入矩阵中的
1
. 您可以通过修改Solver
来创建代码的完全矢量化版本,以便它用vmat
中的数组常量替换标量常量:测试/计时
对于小
ksep
,矢量化版本比原始版本快2倍,完全矢量化版本快约20倍:矢量化版本的结果中的舍入误差与原始版本略有不同 . 这可能是由于计算
result
中的和的差异所致 .@tel完成了大部分工作 . 以下是如何在20倍速度上获得另外2倍的加速 .
手动执行线性代数 . 当我尝试时,我感到震惊的是,小矩阵上的numpy是多么浪费:
请注意,加速的一部分可能被共享代码掩盖,仅在线性代数上似乎更多,尽管我没有太敏锐地检查 .
一个警告:我正在使用Schur补码对矩阵的2by2分割来计算逆的对角元素 . 如果Schur补码不存在,即如果左上或右下子矩阵不可逆,则这将失败 .
这是修改后的代码: