我有两个矩阵A
和B
,每个矩阵的大小都是NxM
,其中{M
是柱状图单元的大小。因此,每一行代表一个特定样本的直方图。在
我想做的是计算不同样本对的两个矩阵之间的chi-square
距离。因此,矩阵A
中的每一行都将与另一个矩阵B
中的所有行进行比较,最终得到一个大小为NxN
且C[i,j]
的矩阵{chi-square
距离相对应。在
下面是我的python代码:
def chi_square(histA,histB):
esp = 1.e-10
d = sum((histA-histB)**2/(histA+histB+eps))
return 0.5*d
def matrix_cost(A,B):
a,_ = A.shape
b,_ = B.shape
C = zeros((a,b))
for i in xrange(a):
for j in xrange(b):
C[i,j] = chi_square(A[i],B[j])
return C
目前,对于100x70
矩阵,整个过程需要0.1秒。在
有什么办法可以提高这种表现吗?在
如有任何想法或建议,我将不胜感激。在
谢谢。在
当然!我假设你在用numpy?在
如果有可用的RAM,可以使用broadcast数组,并使用numpy对这些数组上的操作进行有效的矢量化。在
方法如下:
与你的算法相比,我平台上的计时考虑显示了10倍的速度增益。在
一个比前一个选项使用更少RAM的较慢选项(但仍然比原始算法更快)只是将A的行广播到2D数组中:
^{pr2}$对于这个(70,M)的数组比它的形状大得多。在
如果没有可用内存,也可以使用Theano将昂贵的for循环推到C级。对于(100,70)数组和(1000,70)数组,与第一个选项(不考虑初始编译时间)相比,我得到了2倍的速度增益:
相关问题 更多 >
编程相关推荐