Быстрое вращение тензора с NumPy

Ответ 1

Чтобы использовать tensordot, вычислите внешнее произведение тензоров g:

def rotT(T, g):
    gg = np.outer(g, g)
    gggg = np.outer(gg, gg).reshape(4 * g.shape)
    axes = ((0, 2, 4, 6), (0, 1, 2, 3))
    return np.tensordot(gggg, T, axes)

В моей системе это примерно в семь раз быстрее, чем решение Sven. Если тензор g не меняется часто, вы также можете кэшировать тензор gggg. Если вы сделаете это и включите некоторые микрооптимизации (вставляя код tensordot, никаких проверок, не генерических форм), вы все равно можете сделать это в два раза быстрее:

def rotT(T, gggg):
    return np.dot(gggg.transpose((1, 3, 5, 7, 0, 2, 4, 6)).reshape((81, 81)),
                  T.reshape(81, 1)).reshape((3, 3, 3, 3))

Результаты timeit на моем домашнем ноутбуке (500 итераций):

Your original code: 19.471129179
Sven code: 0.718412876129
My first code: 0.118047952652
My second code: 0.0690279006958

Числа на моем рабочем компьютере:

Your original code: 9.77922987938
Sven code: 0.137110948563
My first code: 0.0569641590118
My second code: 0.0308079719543

Ответ 2

Вот как это сделать с помощью одного цикла Python:

def rotT(T, g):
    Tprime = T
    for i in range(4):
        slices = [None] * 4
        slices[i] = slice(None)
        slices *= 2
        Tprime = g[slices].T * Tprime
    return Tprime.sum(-1).sum(-1).sum(-1).sum(-1)

По общему признанию, это немного сложно понять на первый взгляд, но это довольно быстро:)

Ответ 3

Благодаря тяжелой работе М. Вибе, следующая версия Numpy (которая, вероятно, будет 1.6), сделает это еще проще:

>>> Trot = np.einsum('ai,bj,ck,dl,abcd->ijkl', g, g, g, g, T)

Филипп подход в настоящее время в 3 раза быстрее, хотя, но, возможно, есть некоторые возможности для улучшения. Разница скоростей, вероятно, в основном связана с тем, что tensdord способен развернуть всю операцию как единый матричный продукт, который может быть передан BLAS, и, таким образом, избежать значительной части служебных данных, связанных с небольшими массивами, - это невозможно для общего Эйнштейна суммирование, так как не все операции, которые могут быть выражены в этой форме, решаются на один матричный продукт.

Ответ 4

Из любопытства я сравнил Cython реализацию наивного кода из вопрос с кодом numpy из @Philipp answer. Код Cython в четыре раза быстрее на моей машине:

#cython: boundscheck=False, wraparound=False
import numpy as np
cimport numpy as np

def rotT(np.ndarray[np.float64_t, ndim=4] T,
         np.ndarray[np.float64_t, ndim=2] g):
    cdef np.ndarray[np.float64_t, ndim=4] Tprime
    cdef Py_ssize_t i, j, k, l, ii, jj, kk, ll
    cdef np.float64_t gg

    Tprime = np.zeros((3,3,3,3), dtype=T.dtype)
    for i in range(3):
        for j in range(3):
            for k in range(3):
                for l in range(3):
                    for ii in range(3):
                        for jj in range(3):
                            for kk in range(3):
                                for ll in range(3):
                                    gg = g[ii,i]*g[jj,j]*g[kk,k]*g[ll,l]
                                    Tprime[i,j,k,l] = Tprime[i,j,k,l] + \
                                         gg*T[ii,jj,kk,ll]
    return Tprime

Ответ 5

Я думал, что внесет относительно новые данные в эти тесты, используя parakeet, один из numpy -aware JIT, которые возникли в последние несколько месяцев. (Другой, о котором я знаю, numba, но я не тестировал его здесь.)

После того, как вы выполните несколько лабораторных процедур установки для LLVM, вы можете украсить многие функции pure- numpy (часто) ускорить их производительность:

import numpy as np
import parakeet

@parakeet.jit
def rotT(T, g):
    # ...

Я только попытался применить JIT к коду Andrew в исходном вопросе, но он довольно хорошо ( > 10x speedup) для того, чтобы не писать какой-либо новый код вообще:

andrew      10 loops, best of 3: 206 msec per loop
andrew_jit  10 loops, best of 3: 13.3 msec per loop
sven        100 loops, best of 3: 2.39 msec per loop
philipp     1000 loops, best of 3: 0.879 msec per loop

Для этих таймингов (на моем ноутбуке) я запускал каждую функцию десять раз, чтобы дать JIT возможность идентифицировать и оптимизировать пути для горячих кодов.

Интересно, что предложения Свена и Филиппа все еще на порядок выше!

Ответ 6

Предполагаемый подход и код решения

Для эффективности памяти и, следовательно, эффективности работы мы можем использовать тензорное умножение матрицы по этапам.

Чтобы проиллюстрировать предпринятые шаги, позвольте использовать простейшее из решений с np.einsum by @pv. -

np.einsum('ai,bj,ck,dl,abcd->ijkl', g, g, g, g, T)

Как видно, мы теряем первое измерение от g с тензорным умножением между его четырьмя вариантами и T.

Давайте сделаем эти суммы-сокращения для умножения тензорных матриц по шагам. Пусть начнется первый вариант g и T:

p1 = np.einsum('abcd, ai->bcdi', T, g)

Таким образом, мы получаем тензор размеров как обозначение строки: bcdi. Следующие шаги включают суммирование, уменьшающее этот тензор до остальных трех вариантов g, используемых в оригинальной имплантации einsum. Следовательно, следующим сокращением будет -

p2 = np.einsum('bcdi, bj->cdij', p1, g)

Как видно, мы потеряли первые два измерения со строковыми обозначениями: a, b. Мы продолжаем его еще два шага, чтобы избавиться от c и d тоже и оставим с ijkl в качестве окончательного вывода, например:

p3 = np.einsum('cdij, ck->dijk', p2, g)

p4 = np.einsum('dijk, dl->ijkl', p3, g)

Теперь мы можем использовать np.tensordot для этих суммирующих сокращений, что было бы намного более эффективным.

Окончательная реализация

Таким образом, перенося на np.tensordot, мы бы выполнили окончательную реализацию так:

p1 = np.tensordot(T,g,axes=((0),(0)))
p2 = np.tensordot(p1,g,axes=((0),(0)))
p3 = np.tensordot(p2,g,axes=((0),(0)))
out = np.tensordot(p3,g,axes=((0),(0)))

Тест времени выполнения

Проведите тестирование всех подходов, основанных на NumPy, размещенных по другим сообщениям, чтобы решить проблему с производительностью.

Подходы как функции -

def rotT_Philipp(T, g):  # @Philipp soln
    gg = np.outer(g, g)
    gggg = np.outer(gg, gg).reshape(4 * g.shape)
    axes = ((0, 2, 4, 6), (0, 1, 2, 3))
    return np.tensordot(gggg, T, axes)

def rotT_Sven(T, g):    # @Sven Marnach soln
    Tprime = T
    for i in range(4):
        slices = [None] * 4
        slices[i] = slice(None)
        slices *= 2
        Tprime = g[slices].T * Tprime
    return Tprime.sum(-1).sum(-1).sum(-1).sum(-1)    

def rotT_pv(T, g):     # @pv. soln
    return np.einsum('ai,bj,ck,dl,abcd->ijkl', g, g, g, g, T)

def rotT_Divakar(T,g): # Posted in this post
    p1 = np.tensordot(T,g,axes=((0),(0)))
    p2 = np.tensordot(p1,g,axes=((0),(0)))
    p3 = np.tensordot(p2,g,axes=((0),(0)))
    p4 = np.tensordot(p3,g,axes=((0),(0)))
    return p4

Сроки с исходными размерами данных -

In [304]: # Setup inputs 
     ...: T = np.random.rand(3,3,3,3)
     ...: g = np.random.rand(3,3)
     ...: 

In [305]: %timeit rotT(T, g)
     ...: %timeit rotT_pv(T, g)
     ...: %timeit rotT_Sven(T, g)
     ...: %timeit rotT_Philipp(T, g)
     ...: %timeit rotT_Divakar(T, g)
     ...: 
100 loops, best of 3: 6.51 ms per loop
1000 loops, best of 3: 247 µs per loop
10000 loops, best of 3: 137 µs per loop
10000 loops, best of 3: 41.6 µs per loop
10000 loops, best of 3: 28.3 µs per loop

In [306]: 6510.0/28.3 # Speedup with the proposed soln over original code
Out[306]: 230.03533568904592

Как обсуждалось в начале этого сообщения, мы пытаемся добиться эффективности памяти и, следовательно, повышения производительности. Позвольте проверить это, поскольку мы увеличиваем размеры набора данных -

In [307]: # Setup inputs 
     ...: T = np.random.rand(5,5,5,5)
     ...: g = np.random.rand(5,5)
     ...: 

In [308]: %timeit rotT(T, g)
     ...: %timeit rotT_pv(T, g)
     ...: %timeit rotT_Sven(T, g)
     ...: %timeit rotT_Philipp(T, g)
     ...: %timeit rotT_Divakar(T, g)
     ...: 
100 loops, best of 3: 6.54 ms per loop
100 loops, best of 3: 7.17 ms per loop
100 loops, best of 3: 2.7 ms per loop
1000 loops, best of 3: 1.47 ms per loop
10000 loops, best of 3: 39.9 µs per loop

Ответ 7

Не новый ответ, так как все предыдущие хорошо справляются с вопросом. Больше похоже на комментарий, но я публикую его как ответ, чтобы иметь место для кода.

Хотя все ответы воспроизводят результат оригинального поста, я почти уверен, что код, указанный в оригинальном посте, неверен. Глядя на формулу T '_ijkl= & Sigma; g _ia g _jb g _kc g _ld T _abcd, что, на мой взгляд, правильно, показатели для g, которые различаются при расчете каждой записи T ', представляют собой a, b, c & д. Однако в исходном предоставленном коде индексы, используемые для доступа к значениям g при вычислении gg, меняются местами в соответствии с формулой. Следовательно, я считаю, что следующий код действительно обеспечивает правильную реализацию формулы:

def rotT(T, g):
    Tprime = np.zeros((3, 3, 3, 3))
    for i in range(3):
        for j in range(3):
            for k in range(3):
                for l in range(3):
                    for a in range(3):
                        for b in range(3):
                            for c in range(3):
                                for d in range(3):
                                    Tprime[i, j, k, l] += \
                                        g[i, a] * g[j, b] * \
                                        g[k, c] * g[l, d] * T[a, b, c, d]

Эквивалентные, но более быстрые вызовы обновлений einsum и tenordot на:

Tprime = np.tensordot(g, np.tensordot(g, np.tensordot(
    g, np.tensordot(g, T, (1, 3)), (1, 3)), (1, 3)), (1, 3))
Tprime = np.einsum('ia, jb, kc, ld, abcd->ijkl', g, g, g, g, T)

Кроме того, использование @jit(nopython=True) из numba для функции наивных циклов в пять раз быстрее, чем использование numpy.tensordot на моей машине.