我正在尝试优化一段使用内点法求解大型稀疏非线性系统的代码。在更新步骤中,涉及计算 Hessian 矩阵 H
、梯度 g
,然后求解 H * d = 中的
获取新的搜索方向。d
-g
Hessian 矩阵具有以下形式的对称三对角结构:
A.T * diag(b) * A + C
我已经运行了line_profiler
关于相关的特定功能:
Line # Hits Time Per Hit % Time Line Contents
==================================================
386 def _direction(n, res, M, Hsig, scale_var, grad_lnprior, z, fac):
387
388 # gradient
389 44 1241715 28220.8 3.7 g = 2 * scale_var * res - grad_lnprior + z * np.dot(M.T, 1. / n)
390
391 # hessian
392 44 3103117 70525.4 9.3 N = sparse.diags(1. / n ** 2, 0, format=FMT, dtype=DTYPE)
393 44 18814307 427597.9 56.2 H = - Hsig - z * np.dot(M.T, np.dot(N, M)) # slow!
394
395 # update direction
396 44 10329556 234762.6 30.8 d, fac = my_solver(H, -g, fac)
397
398 44 111 2.5 0.0 return d, fac
从输出来看,很明显构造 H
是迄今为止成本最高的步骤 - 它比实际求解新方向所需的时间要长得多。
Hsig
和 M
都是 CSC 稀疏矩阵,n
是稠密向量,z
是标量。我使用的求解器要求 H
为 CSC 或 CSR 稀疏矩阵。
这是一个函数,它生成一些与我的真实矩阵具有相同格式、维度和稀疏性的玩具数据:
import numpy as np
from scipy import sparse
def make_toy_data(nt=200000, nc=10):
d0 = np.random.randn(nc * (nt - 1))
d1 = np.random.randn(nc * (nt - 1))
M = sparse.diags((d0, d1), (0, nc), shape=(nc * (nt - 1), nc * nt),
format='csc', dtype=np.float64)
d0 = np.random.randn(nc * nt)
Hsig = sparse.diags(d0, 0, shape=(nc * nt, nc * nt), format='csc',
dtype=np.float64)
n = np.random.randn(nc * (nt - 1))
z = np.random.randn()
return Hsig, M, n, z
这是我构建 H
的原始方法:
def original(Hsig, M, n, z):
N = sparse.diags(1. / n ** 2, 0, format='csc')
H = - Hsig - z * np.dot(M.T, np.dot(N, M)) # slow!
return H
时间安排:
%timeit original(Hsig, M, n, z)
# 1 loops, best of 3: 483 ms per loop
有没有更快的方法来构造这个矩阵?
最佳答案
在计算三个对角数组的乘积 M.T * D * M
时,我的速度接近 4 倍。如果d0
和d1
是M
的主对角线和上对角线,并且d
是的主对角线>D
,那么下面的代码直接创建M.T * D * M
:
def make_tridi_bis(d0, d1, d, nc=10):
d00 = d0*d0*d
d11 = d1*d1*d
d01 = d0*d1*d
len_ = d0.size
data = np.empty((3*len_ + nc,))
indices = np.empty((3*len_ + nc,), dtype=np.int)
# Fill main diagonal
data[:2*nc:2] = d00[:nc]
indices[:2*nc:2] = np.arange(nc)
data[2*nc+1:-2*nc:3] = d00[nc:] + d11[:-nc]
indices[2*nc+1:-2*nc:3] = np.arange(nc, len_)
data[-2*nc+1::2] = d11[-nc:]
indices[-2*nc+1::2] = np.arange(len_, len_ + nc)
# Fill top diagonal
data[1:2*nc:2] = d01[:nc]
indices[1:2*nc:2] = np.arange(nc, 2*nc)
data[2*nc+2:-2*nc:3] = d01[nc:]
indices[2*nc+2:-2*nc:3] = np.arange(2*nc, len_+nc)
# Fill bottom diagonal
data[2*nc:-2*nc:3] = d01[:-nc]
indices[2*nc:-2*nc:3] = np.arange(len_ - nc)
data[-2*nc::2] = d01[-nc:]
indices[-2*nc::2] = np.arange(len_ - nc ,len_)
indptr = np.empty((len_ + nc + 1,), dtype=np.int)
indptr[0] = 0
indptr[1:nc+1] = 2
indptr[nc+1:len_+1] = 3
indptr[-nc:] = 2
np.cumsum(indptr, out=indptr)
return sparse.csr_matrix((data, indices, indptr), shape=(len_+nc, len_+nc))
如果您的矩阵M
采用CSR格式,则可以将d0
和d1
提取为d0 = M.data[: :2]
和 d1 = M.data[1::2]
,我修改了你的玩具数据制作例程以返回这些数组,这就是我得到的:
In [90]: np.allclose((M.T * sparse.diags(d, 0) * M).A, make_tridi_bis(d0, d1, d).A)
Out[90]: True
In [92]: %timeit make_tridi_bis(d0, d1, d)
10 loops, best of 3: 124 ms per loop
In [93]: %timeit M.T * sparse.diags(d, 0) * M
1 loops, best of 3: 501 ms per loop
上述代码的全部目的是利用非零条目的结构。如果您画出要相乘的矩阵的图表,则相对容易使自己相信主对角线 (d_0
) 以及顶部和底部对角线 (d_1
)得到的三对角矩阵很简单:
d_0 = np.zeros((len_ + nc,))
d_0[:len_] = d00
d_0[-len_:] += d11
d_1 = d01
该函数中的其余代码只是直接构建三对角矩阵,因为使用上述数据调用 sparse.diags
速度要慢几倍。
关于numpy - 创建 A.T * diag(b) * A + C 形式的稀疏矩阵的最快方法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23143285/