我想用随机数乘以矩阵的每一行,例如,将矩阵的每一行乘以一个随机数的最佳方法
Y = R*X
与含有从rand()
条目大小TxN
的对角矩阵R
和尺寸NxM
与非常大T
和N
矩阵X
。目前我使用
r = rand(T)
Y = scale(r, X)
但我不知道这是做得更快还是更好。例如,我认为没有必要创建矢量r
,但我不知道如何高效/并行地调用y[i] = rand()*X[i,:]
。
我想用随机数乘以矩阵的每一行,例如,将矩阵的每一行乘以一个随机数的最佳方法
Y = R*X
与含有从rand()
条目大小TxN
的对角矩阵R
和尺寸NxM
与非常大T
和N
矩阵X
。目前我使用
r = rand(T)
Y = scale(r, X)
但我不知道这是做得更快还是更好。例如,我认为没有必要创建矢量r
,但我不知道如何高效/并行地调用y[i] = rand()*X[i,:]
。
您可以使用scale!
修改X
到位:
julia> X = [ 1/(i + j - 1) for i=1:5, j=1:5 ]
5x5 Array{Float64,2}:
1.0 0.5 0.333333 0.25 0.2
0.5 0.333333 0.25 0.2 0.166667
0.333333 0.25 0.2 0.166667 0.142857
0.25 0.2 0.166667 0.142857 0.125
0.2 0.166667 0.142857 0.125 0.111111
julia> r = rand(5)
5-element Array{Float64,1}:
0.98996
0.88145
0.808518
0.632665
0.00807468
julia> scale!(r,X);
julia> X
5x5 Array{Float64,2}:
0.98996 0.49498 0.329987 0.24749 0.197992
0.440725 0.293817 0.220363 0.17629 0.146908
0.269506 0.20213 0.161704 0.134753 0.115503
0.158166 0.126533 0.105444 0.0903807 0.0790832
0.00161494 0.00134578 0.00115353 0.00100933 0.000897187
这避免了分配一个新的矩阵,这是在内存和时间的节省显著。
不错,+1为'scale!' – 2014-09-02 21:28:34
Thx。将规模!使用多核? – 2014-09-03 06:08:10
目前它不使用多个内核。 – StefanKarpinski 2014-09-03 12:39:35
就你而言,创建'r'与调用'scale()'相比,需要多长时间? – 2014-09-02 21:22:27
你一定要创建临时的'r'。原因是:按行来遍历'X'是非常低效的,按列遍历的速度要快5-10倍。因此,在这种情况下,分配临时的'r',并且按列(即按照存储器存储顺序)遍历'X'将是一个巨大的胜利。特别是如果'X'和'r'是'Float32',在这种情况下,这应该SIMD矢量化。 – tholy 2014-09-04 01:44:10