python矩阵优化

Question

我的输入有一个形状：(9, 480, 1) 以下是我当前的职能：

def f(X):
    ordered_max_scorers = np.sort(np.max(X, axis=2), axis=1)
    cd_mat2 = np.array([[0] * len(X)] * len(X), dtype="float64")
    for ind1, score1 in enumerate(ordered_max_scorers):
        for ind2, score2 in enumerate(ordered_max_scorers[:ind1]):
            cognitive_diversity = np.sum((score1 - score2)**2)**(1/2)
            cd_mat2[ind1][ind2] = cognitive_diversity
            cd_mat2[ind2][ind1] = cognitive_diversity
    return cd_mat2

我正试图优化这个函数，使它运行得更快：它被对象A中的对象B调用一次。如果有区别的话，每次A运行一次B调用几百次（大约20次）。在

我试着用一点新意来代替：

^{pr2}$

有：

cognitive_diversity = np.sqrt(np.sum(np.square(score1 - score2)))

但这似乎减慢了代码的速度。 我还尝试使用numba进行优化：

@autojit
def temp(x, y): 
    return np.sum((score1 - score2) ** 2) ** (1/2)

它又被用于认知多样性。在

cognitive_diversity = temp(score1, score2)

但这也大大减慢了代码的速度 如果任何人有任何关于加速的建议，或者任何关于如何正确地重写循环以加速它的建议，那将是惊人的！在

编辑 谢谢你的帮助。我用它想出了一个稍微不同的解决方案。在

#Std jit optimization
@jit()
def cd_matrix_jit(oms,l_oms,l_oms2,cd_mat2):
    for ind1 in range(l_oms):
        for ind2 in range(l_oms):
            d=0.0
            for i in range(l_oms2):
                d = d + (oms[ind1,i]-oms[ind2,i])**2
            cd_mat2[ind1,ind2] = d**(1/2)
    return cd_mat2

Answer 1

首先是风格上的一些改进：

np.array([[0] * len(X)] * len(X), dtype="float64")

len(X)是9，X.shape[0]。所以这个表达式最好写成

^{pr2}$

例如，一个9x9的0数组（float默认的数据类型）。在

cd_mat2[ind1][ind2]

可以写成

^{4}$

在

for ind1, score1 in enumerate(ordered_max_scorers):
        for ind2, score2 in enumerate(ordered_max_scorers[:ind1]):
            cognitive_diversity = np.sum((score1 - score2)**2)**(1/2)

您试图通过使用上（下）三角形来避免重复计算。对于numpy，这可能不值得。如果可以用一个表达式而不是循环来执行整个计算，那么即使某些值是重复的，也会更快。在

比如：

cd_mat2 = np.sqrt(np.sum((ordered_max_scorers[:,None] - ordered_max_scorers)**2), axis=1))

一个样本，X，最好小于（9480，1），这样我们就可以在备选方案中重复您的计算。在