我有一些C++和R的经验,但对Rcpp还是新手。最近,我在以前的一些项目中使用Rcpp取得了巨大成功,因此决定将其应用到一个新项目中。我很惊讶我的Rcpp代码比相应的R函数慢得多。我尝试简化我的R函数来找出原因,但找不到任何线索。非常欢迎您的帮助和意见!
比较R和Rcpp实现的主要R函数:
理想情况下,在我的项目中,
比较R和Rcpp实现的主要R函数:
main <- function(){
n <- 50000
Delta <- exp(rnorm(n))
delta <- exp(matrix(rnorm(n * 5), nrow = n))
rx <- matrix(rnorm(n * 20), nrow = n)
print(microbenchmark(c1 <- test(Delta, delta, rx), times = 500))
print(microbenchmark(c2 <- rcpp_test(Delta, delta, rx), times = 500))
identical(c1, c2)
list(c1 = c1, c2 = c2)
}
R 实现:
test <- function(Delta, delta, rx){
const <- list()
for(i in 1:ncol(delta)){
const[[i]] <- rx * (Delta / (1 + delta[, i]))
}
const
}
Rcpp实现:
#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
List rcpp_test(NumericVector Delta,
NumericMatrix delta,
NumericMatrix rx) {
int n = Delta.length();
int m = rx.ncol();
List c;
NumericMatrix c1;
for(int i = 0; i < delta.ncol(); ++i){
c1 = NumericMatrix(n, m);
for(int k = 0; k < n; ++k){
double tmp = Delta[k] / (1 + delta(k, i));
for(int j = 0; j < c1.ncol(); ++j){
c1(k, j) = rx(k, j) * tmp;
}
}
c.push_back(c1);
}
return c;
}
我知道使用Rcpp并不能保证提高效率,但是考虑到我这里所展示的简单示例,我不明白为什么Rcpp代码运行速度如此之慢。
Unit: milliseconds
expr min lq mean median uq max neval
c1 <- test(Delta, delta, rx) 13.16935 14.19951 44.08641 30.43126 73.78581 115.9645 500
Unit: milliseconds
expr min lq mean median uq max neval
c2 <- rcpp_test(Delta, delta, rx) 143.1917 158.7481 171.6116 163.413 173.7677 247.5495 500
理想情况下,在我的项目中,
rx
是矩阵列表。在for循环中,变量i
将用于选择要计算的元素。最初,我怀疑将List
传递给Rcpp可能会产生较高的开销,因此在此示例中,我假设rx
是一个固定的矩阵,用于所有i
。看来这并不是速度缓慢的原因。
push_back()
在性能方面的代价可能相当大,因此在需要快速执行速度的应用程序中应该避免使用它。最好预先分配所需的内存。 - RHertelc
并没有什么帮助。请参考我对Ralf Stubner答案的回复。 - Han Zhangpush_back()
是你的代码速度慢的主要原因。我所说的是,push_back()
可以消耗相当多的性能,最好在开始时分配内存。此外,我认为指出在循环中动态增长对象是不良的编程风格是有用的。 - RHertel