Şu anda, yineleme başına çok terimli bir logit modelinin optimizasyonunun birden fazla adımını gerektiren bir Bayes yöntemi üzerinde çalışıyorum. Bu optimizasyonları yapmak için optim () kullanıyorum ve R'de yazılan objektif bir fonksiyon Profilleme, optim () 'in ana darboğaz olduğunu ortaya çıkardı.
Etrafa baktıktan sonra , nesnel fonksiyonun yeniden kodlanmasının süreci hızlandırabileceğini önerdikleri bu soruyu buldum Rcpp. Öneriyi takip ettim ve objektif fonksiyonumu yeniden kodladım Rcpp, ama yavaşladı (yaklaşık iki kat daha yavaş!).
Bu benim Rcpp(veya C ++ ile ilgili bir şey) ile ilk kez oldu ve ben kod vektörleştirme bir yol bulamadı. Nasıl daha hızlı yapacağınız hakkında bir fikriniz var mı?
Tl; dr: Rcpp'deki fonksiyonun mevcut uygulaması vektörize R kadar hızlı değildir; nasıl daha hızlı yapılır?
Tekrarlanabilir bir örnek :
1) Objektif fonksiyonların tanımlanması Rve Rcpp: sadece çok-modelli bir kesişim modelinin log-olasılık
library(Rcpp)
library(microbenchmark)
llmnl_int <- function(beta, Obs, n_cat) {
n_Obs <- length(Obs)
Xint <- matrix(c(0, beta), byrow = T, ncol = n_cat, nrow = n_Obs)
ind <- cbind(c(1:n_Obs), Obs)
Xby <- Xint[ind]
Xint <- exp(Xint)
iota <- c(rep(1, (n_cat)))
denom <- log(Xint %*% iota)
return(sum(Xby - denom))
}
cppFunction('double llmnl_int_C(NumericVector beta, NumericVector Obs, int n_cat) {
int n_Obs = Obs.size();
NumericVector betas = (beta.size()+1);
for (int i = 1; i < n_cat; i++) {
betas[i] = beta[i-1];
};
NumericVector Xby = (n_Obs);
NumericMatrix Xint(n_Obs, n_cat);
NumericVector denom = (n_Obs);
for (int i = 0; i < Xby.size(); i++) {
Xint(i,_) = betas;
Xby[i] = Xint(i,Obs[i]-1.0);
Xint(i,_) = exp(Xint(i,_));
denom[i] = log(sum(Xint(i,_)));
};
return sum(Xby - denom);
}')
2) Verimliliklerini karşılaştırın:
## Draw sample from a multinomial distribution
set.seed(2020)
mnl_sample <- t(rmultinom(n = 1000,size = 1,prob = c(0.3, 0.4, 0.2, 0.1)))
mnl_sample <- apply(mnl_sample,1,function(r) which(r == 1))
## Benchmarking
microbenchmark("llmml_int" = llmnl_int(beta = c(4,2,1), Obs = mnl_sample, n_cat = 4),
"llmml_int_C" = llmnl_int_C(beta = c(4,2,1), Obs = mnl_sample, n_cat = 4),
times = 100)
## Results
# Unit: microseconds
# expr min lq mean median uq max neval
# llmnl_int 76.809 78.6615 81.9677 79.7485 82.8495 124.295 100
# llmnl_int_C 155.405 157.7790 161.7677 159.2200 161.5805 201.655 100
3) Şimdi onları şu numaraya çağırıyorum optim:
## Benchmarking with optim
microbenchmark("llmnl_int" = optim(c(4,2,1), llmnl_int, Obs = mnl_sample, n_cat = 4, method = "BFGS", hessian = T, control = list(fnscale = -1)),
"llmnl_int_C" = optim(c(4,2,1), llmnl_int_C, Obs = mnl_sample, n_cat = 4, method = "BFGS", hessian = T, control = list(fnscale = -1)),
times = 100)
## Results
# Unit: milliseconds
# expr min lq mean median uq max neval
# llmnl_int 12.49163 13.26338 15.74517 14.12413 18.35461 26.58235 100
# llmnl_int_C 25.57419 25.97413 28.05984 26.34231 30.44012 37.13442 100
R'deki vektörize uygulamanın daha hızlı olması beni biraz şaşırttı. Rcpp'de daha verimli bir sürüm uygulamak (örneğin RcppArmadillo ile?) Herhangi bir kazanç sağlayabilir mi? Bir C ++ optimiser kullanarak Rcpp her şeyi yeniden kodlamak daha iyi bir fikir mi?
Not: Stackoverflow'da ilk kez gönderme!
Obsbir şekildeIntegerVectorbazı yayınları kaldırarak.