我是一名从事地球物理反演研究的研究员。这项工作需要解决线性系统:Au = rhs。其中A通常是稀疏矩阵,但rhs和u可以是密集矩阵或向量。为了进行基于梯度的反演,我们需要计算灵敏度,并且这需要进行许多矩阵-矩阵和矩阵-向量乘法。最近我发现了一个矩阵(稀疏)-矩阵(密集)乘法中的奇怪行为,以下是一个例子:
import numpy as np
import scipy.sparse as sp
n = int(1e6)
m = int(100)
e = np.ones(n)
A = sp.spdiags(np.vstack((e, e, e)), np.array([-1, 0, 1]), n, n)
A = A.tocsr()
u = np.random.randn(n,m)
%timeit rhs = A*u[:,0]
#10 loops, best of 3: 22 ms per loop
%timeit rhs = A*u[:,:10]
#10 loops, best of 3: 98.4 ms per loop
%timeit rhs = A*u
#1 loop, best of 3: 570 ms per loop
我原本期望当我增加密矩阵乘以稀疏矩阵A的大小时,计算时间会呈几乎线性增长(例如第二个应该是220毫秒,最后一个应该是2.2秒)。然而,它比我预期的要快得多。相反,矩阵向量乘法比矩阵乘法慢得多。有人能解释为什么吗?此外,是否有一种有效的方法来提高矩阵向量乘法的效率,使其与矩阵乘法类似?
u
的列并收集值。这是一个“稀疏密集=>密集”的情况,与“稀疏稀疏”或“密集*密集”不同。 - hpaulj