मैं वर्तमान में एक बायेसियन पद्धति पर काम कर रहा हूं जिसमें प्रति चलना एक बहुराष्ट्रीय लॉगिट मॉडल के अनुकूलन के कई चरणों की आवश्यकता है। मैं उन आशाओं को पूरा करने के लिए आशा () का उपयोग कर रहा हूं, और आर। प्रोफाइलिंग में लिखे गए एक उद्देश्य समारोह में पता चला है कि आशा () मुख्य अड़चन है।
चारों ओर खुदाई करने के बाद, मुझे यह प्रश्न मिला, जिसमें वे सुझाव देते हैं कि इस उद्देश्य को पूरा करने के साथ Rcppप्रक्रिया को गति दे सकते हैं। मैंने सुझाव का पालन किया और अपने उद्देश्य समारोह को फिर से शुरू किया Rcpp, लेकिन यह धीमा (लगभग दो गुना धीमा!) हो गया।
यह मेरा पहली बार था Rcpp(या C ++ से संबंधित कुछ भी) और मैं कोड को वेक्टर करने का एक तरीका नहीं खोज पा रहा था। किसी भी विचार यह कैसे तेजी से बनाने के लिए?
Tl; dr: Rcpp में फ़ंक्शन का वर्तमान कार्यान्वयन वेक्टराइज़्ड R जितना तेज़ नहीं है; इसे कैसे तेज किया जाए?
एक प्रतिलिपि प्रस्तुत करने योग्य उदाहरण :
1) में Rऔर Rcppएक इंटरसेप्ट केवल बहुराष्ट्रीय मॉडल की लॉग-सम्भावना को परिभाषित करें
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) उनकी दक्षता की तुलना करें:
## 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) अब उन्हें अंदर बुला रहे हैं 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
मुझे कुछ आश्चर्य हुआ कि आर में वेक्टरकृत कार्यान्वयन तेजी से हुआ। Rcpp में एक अधिक कुशल संस्करण को लागू करना (RcppArmadillo के साथ कहते हैं?) किसी भी लाभ का उत्पादन कर सकता है? क्या C ++ ऑप्टिमाइज़र का उपयोग करके Rcpp में सबकुछ फिर से बनाना बेहतर है?
पुनश्च: पहली बार Stackoverflow में पोस्टिंग!
Obsरूप मेंIntegerVectorमान सकते हैं।