给定函数周期为T
,傅里叶级数系数a[n]
和b[n]
(分别对应余弦和正弦),以及等间隔区间t
,以下代码将计算区间t
中所有点的部分和(其中a
、b
和t
都是numpy
数组)。需要注意的是,t
和a
长度不相等。
yn=ones(len(t))*a[0]
for n in range(1,len(a)):
yn=yn+(a[n]*cos(2*pi*n*t/T)-b[n]*sin(2*pi*n*t/T))
我的问题是:这个for循环能被向量化吗?
给定函数周期为T
,傅里叶级数系数a[n]
和b[n]
(分别对应余弦和正弦),以及等间隔区间t
,以下代码将计算区间t
中所有点的部分和(其中a
、b
和t
都是numpy
数组)。需要注意的是,t
和a
长度不相等。
yn=ones(len(t))*a[0]
for n in range(1,len(a)):
yn=yn+(a[n]*cos(2*pi*n*t/T)-b[n]*sin(2*pi*n*t/T))
我的问题是:这个for循环能被向量化吗?
这里有一种矢量化的方法,利用broadcasting
来创建余弦/正弦输入的2D
数组版本:2*pi*n*t/T
,然后使用np.dot
进行sum-reduction
的matrix-multiplication
。
r = np.arange(1,len(a))
S = 2*np.pi*r[:,None]*t/T
cS = np.cos(S)
sS = np.sin(S)
out = a[1:].dot(cS) - b[1:].dot(sS) + a[0]
numexpr
模块来计算这些三角函数步骤。import numexpr as ne
cS = ne.evaluate('cos(S)')
sS = ne.evaluate('sin(S)')
运行时测试 -
方法 -
def original_app(t,a,b,T):
yn=np.ones(len(t))*a[0]
for n in range(1,len(a)):
yn=yn+(a[n]*np.cos(2*np.pi*n*t/T)-b[n]*np.sin(2*np.pi*n*t/T))
return yn
def vectorized_app(t,a,b,T):
r = np.arange(1,len(a))
S = (2*np.pi/T)*r[:,None]*t
cS = np.cos(S)
sS = np.sin(S)
return a[1:].dot(cS) - b[1:].dot(sS) + a[0]
def vectorized_app_v2(t,a,b,T):
r = np.arange(1,len(a))
S = (2*np.pi/T)*r[:,None]*t
cS = ne.evaluate('cos(S)')
sS = ne.evaluate('sin(S)')
return a[1:].dot(cS) - b[1:].dot(sS) + a[0]
此外,还包括@Paul Panzer帖子中的PP
函数。
时间 -
In [22]: # Setup inputs
...: n = 10000
...: t = np.random.randint(0,9,(n))
...: a = np.random.randint(0,9,(n))
...: b = np.random.randint(0,9,(n))
...: T = 3.45
...:
In [23]: print np.allclose(original_app(t,a,b,T), vectorized_app(t,a,b,T))
...: print np.allclose(original_app(t,a,b,T), vectorized_app_v2(t,a,b,T))
...: print np.allclose(original_app(t,a,b,T), PP(t,a,b,T))
...:
True
True
True
In [25]: %timeit original_app(t,a,b,T)
...: %timeit vectorized_app(t,a,b,T)
...: %timeit vectorized_app_v2(t,a,b,T)
...: %timeit PP(t,a,b,T)
...:
1 loops, best of 3: 6.49 s per loop
1 loops, best of 3: 6.24 s per loop
1 loops, best of 3: 1.54 s per loop
1 loops, best of 3: 1.96 s per loop
for n in range(1,len(t)):
,后来更改为使用 len(a)
。因此,我需要编辑 r
部分以使用 len(a)
。已做出相应修改。 - Divakar无法与numexpr相比,但如果不可用,我们可以节省超越函数(测试和基准测试代码大量基于@Divakar的代码,如果您没有注意到;-)):
import numpy as np
from timeit import timeit
def PP(t,a,b,T):
CS = np.empty((len(t), len(a)-1), np.complex)
CS[...] = np.exp(2j*np.pi*(t[:, None])/T)
np.cumprod(CS, axis=-1, out=CS)
return a[1:].dot(CS.T.real) - b[1:].dot(CS.T.imag) + a[0]
def original_app(t,a,b,T):
yn=np.ones(len(t))*a[0]
for n in range(1,len(a)):
yn=yn+(a[n]*np.cos(2*np.pi*n*t/T)-b[n]*np.sin(2*np.pi*n*t/T))
return yn
def vectorized_app(t,a,b,T):
r = np.arange(1,len(a))
S = 2*np.pi*r[:,None]*t/T
cS = np.cos(S)
sS = np.sin(S)
return a[1:].dot(cS) - b[1:].dot(sS) + a[0]
n = 1000
t = 2000
t = np.random.randint(0,9,(t))
a = np.random.randint(0,9,(n))
b = np.random.randint(0,9,(n))
T = 3.45
print(np.allclose(original_app(t,a,b,T), vectorized_app(t,a,b,T)))
print(np.allclose(original_app(t,a,b,T), PP(t,a,b,T)))
print('{:18s} {:9.6f}'.format('orig', timeit(lambda: original_app(t,a,b,T), number=10)/10))
print('{:18s} {:9.6f}'.format('Divakar no numexpr', timeit(lambda: vectorized_app(t,a,b,T), number=10)/10))
print('{:18s} {:9.6f}'.format('PP', timeit(lambda: PP(t,a,b,T), number=10)/10))
输出:
True
True
orig 0.166903
Divakar no numexpr 0.179617
PP 0.060817
顺便提一下,如果 delta t
能够整除 T
,那么可以节省更多的时间,或者运行完整个 fft 算法并且丢弃多余部分。
sincos
函数! - Ahmed Fasihsin
和 cos
是机器指令... - Paul Panzercumprod
变得非常长,累积误差就会成为一个问题... - Paul Panzer这不是另一个答案,而是对@Paul Panzer的评论,写成答案是因为我需要发布一些代码。如果有办法在评论中发布格式正确的代码,请告知。
受@Paul Panzer cumprod
想法的启发,我想出了以下内容:
an = ones((len(a)-1,len(te)))*2j*pi*te/T
CS = exp(cumsum(an,axis=0))
out = (a[1:].dot(CS.real) - b[1:].dot(CS.imag)) + a[0]
尽管它似乎被正确地向量化并产生了正确的结果,但其性能却很糟糕。它不仅比预期的cumprod
慢得多,因为要进行len(a)-1
次指数运算,而且比原始的非向量化版本慢50%。这种差劲的表现是什么原因造成的呢?
exp
调用。请注意,差异的顺序为len(a)x len(t)
,因为an
的元素数是其维度的乘积,而不是总和。2)内存布局:在您最初的半向量化代码中,所有变量都可能在内存中连续,并因此有利于受益于优化代码,而交错的.real
和.imag
数组则无法使用。 - Paul Panzer
len(a)
吧? - Ahmed Fasih