我只是想加速使用numpy编写的数值算法。关键部分是计算对数似然函数(两个截断正态CDF之间的差异)。我的函数非常慢(每次循环31.9毫秒),而且我需要在每次迭代中运行它2000次。
我尝试使用scipy的“norm.cdf”函数代替“ecfc”。但它更慢。我还尝试过Numba包中的“@jit”。但它比原始代码还要慢。
我认为也许我需要使用Cython。但我对C几乎一无所知。我试图从Cython for numpy users网页学习Cython,但对我来说太难了。
有人能帮我用Cython重新编写代码吗?或者建议我如何编写更快的代码?
我尝试使用scipy的“norm.cdf”函数代替“ecfc”。但它更慢。我还尝试过Numba包中的“@jit”。但它比原始代码还要慢。
我认为也许我需要使用Cython。但我对C几乎一无所知。我试图从Cython for numpy users网页学习Cython,但对我来说太难了。
有人能帮我用Cython重新编写代码吗?或者建议我如何编写更快的代码?
import numpy as np
from scipy.special import erfc
# The bloody function for calculating the difference between two truncated normal CDFs
def my_loglikelihood2(x,b,c,z):
log_likelihood=np.zeros(np.shape(z)[0])
log_likelihood[x==1]=np.log(0.5*erfc(-(c[1]-np.dot(z[x==1,:],b)) / np.sqrt(2.)) - 0.5*erfc(-(c[0]-np.dot(z[x==1],b)) / np.sqrt(2.)))
log_likelihood[x==2]=np.log(0.5*erfc(-(c[2]-np.dot(z[x==2,:],b)) / np.sqrt(2.)) - 0.5*erfc(-(c[1]-np.dot(z[x==2],b)) / np.sqrt(2.)))
log_likelihood[x==3]=np.log(0.5*erfc(-(c[3]-np.dot(z[x==3,:],b)) / np.sqrt(2.)) - 0.5*erfc(-(c[2]-np.dot(z[x==3],b)) / np.sqrt(2.)))
return log_likelihood
# generate random values
x=np.random.randint(low=1, high=4, size=50000)
b=np.random.normal(0,1,70)
c=np.array([-999,-1,1,999],dtype='f')
z=np.random.multivariate_normal(np.zeros(70), np.eye(70), 50000)
%timeit my_loglikelihood2(x,b,c,z)
# 10 loops, best of 3: 31.9 ms per loop :(
更新 1 - 基于 @jackvdp 的建议。已经加速了 4.5 倍。但我仍在寻找更快的代码:
def up_cutoff(x,c):
x[x==1]=c[1]
x[x==2]=c[2]
x[x==3]=c[3]
return x
def low_cutoff(x,c):
x[x==1]=c[0]
x[x==2]=c[1]
x[x==3]=c[2]
def my_loglikelihood2(x,b,low_c,up_c,z):
up_c=up_cutoff(x,c)
low_c=low_cutoff(x,c)
return np.log(0.5*erfc(-(up_c-np.dot(z,b)) / np.sqrt(2.)) - 0.5*erfc(-(low_c-np.dot(z,b)) / np.sqrt(2.)))
%timeit my_loglikelihood2(x,b,low_c,up_c,z)
100 loops, best of 3: 6.58 ms per loop
更新2 - 基于@DSM的建议。将np.dot(z,b)替换为zdotb = z.dot(b)。提高了1.5ms
def my_loglikelihood2(x,b,low_c,up_c,z):
up_c=up_cutoff(x,c)
low_c=low_cutoff(x,c)
zdotb = z.dot(b)
return np.log(0.5*erfc(-(up_c-zdotb) / np.sqrt(2.)) - 0.5*erfc(-(low_c-zdotb) / np.sqrt(2.)))
%timeit my_loglikelihood2(x,b,low_c,up_c,z)
100 loops, best of 3: 5.02 ms per loop
c[x]
和c[x-1]
)可以大大加快这个程序的速度,几乎接近使用Cython获得的速度。 - user2357112zdotb = z.dot(b); return np.log(0.5*erfc(-(c[x]-zdotb) / np.sqrt(2.)) - 0.5*erfc(-(c[x-1]-zdotb) / np.sqrt(2.)))
。但这可能不准确 - 我现在没有测试和调试NumPy代码的设置。 - user2357112z.dot(b)
两次。 - DSM