可能是个老生常谈的问题,但我如何在 Python 中并行化这个循环?
for i in range(0,Nx.shape[2]):
for j in range(0,Nx.shape[2]):
NI=Nx[:,:,i]; NJ=Nx[:,:,j]
Ku[i,j] = (NI[mask!=True]*NJ[mask!=True]).sum()
那么我的问题是:并行化此代码的最简单方法是什么?
---------- EDIT LATER------------------
数据示例
import random
import numpy as np
import numpy.ma as ma
from numpy import unravel_index
#my input
Nx = np.random.rand(5,5,5)
#mask creation
mask_positions = zip(*np.where((Nx[:,:,0] < 0.4)))
mask_array_positions = np.asarray(mask_positions)
i, j = mask_array_positions.T
mask = np.zeros(Nx[:,:,0].shape, bool)
mask[i,j] = True
我想通过并行计算 Ku。我的目标是使用 Ku 数组来解决线性问题,所以我必须将掩码值分开(代表我数组的一半附近)
最佳答案
我认为您想要“向量化”,使用 numpy
术语,而不是以多进程方式并行化。
您的计算本质上是一个点(矩阵)积。对整个数组应用一次掩码
,得到一个二维数组,NIJ
。它的形状将是 (N,5)
,其中 N
是 ~mask
中 True
值的数量。然后它只是一个 (5,N)
数组“点缀”了一个 (N,5)
- 即。对 N
维度求和,得到一个 (5,5)
数组。
NIJ = Nx[~mask,:]
Ku = np.dot(NIJ.T,NIJ)
在快速测试中,它与双循环生成的 Ku
匹配。根据用于 np.dot
的底层库,可能会有一些多核计算,但这通常不是 numpy
用户的优先级问题。
应用大 bool 值 mask
是这些计算中最耗时的部分 - 无论是向量化版本还是迭代版本。
对于具有 400,000 个真值的 mask
,比较这两个索引时间:
In [195]: timeit (NI[:400,:1000],NJ[:400,:1000])
100000 loops, best of 3: 4.87 us per loop
In [196]: timeit (NI[mask],NJ[mask])
10 loops, best of 3: 98.8 ms per loop
使用基本(切片)索引选择相同数量的项目比使用 mask
的高级索引快几个数量级。
用 np.dot(NI[mask],NJ[mask])
代替 (NI[mask]*NJ[mask]).sum()
只节省几毫秒。
关于Python - 并行化 2D 掩码数组的 python 循环?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28772573/