我目前正在优化我的代码的运行时,但它仍然不在我希望的时间消耗范围内。()在执行高斯求积时,对我的渐近矩阵表达式进行计算,并对所得的lambda函数**进行求值。代码的所有其他方面都得到了充分优化,因此,我希望有人能帮助我优化我的代码中的“瓶颈”,即对sympy表达式进行lambifying和求值。
代码是在64位Windows 7机器上使用Python 3.5.2(下面的示例说明了代码,在Jupyter QtConsole上执行)和以下模块版本编写的:
- 症状:1.0
- 麻木:1.11.1
- 数字:0.27
Lambdify(第一页)
我认为lambdify()使用大量时间的原因是symmy表达式的复杂性(它涉及symy Piecewise()表达式的乘法)。这些表达式的简化是不可能的,因为它们是使用标准Alpert算法从勒让德尺度函数创建的小波函数。下面给出了这样一个矩阵的较小示例以及与lambdify一个“更简单”矩阵的时间比较:
from sympy import *
import numpy as np
import timeit
xi1 = symbols('xi1')
xi2 = symbols('xi2')
M = Matrix([[-0.0015625*(3.46410161513775*(0.00624999999999998*xi2 -
0.99375)*Piecewise((-1, 0.00624999999999998*xi2 - 0.99375 >= 0),
(1, 0.00624999999999998*xi2 - 0.99375 < 0)) +
1.73205080756888)*Piecewise((1, And(0.00624999999999998*xi2 -
0.99375 <= 1, 0.00624999999999998*xi2 -
0.99375 >= -1)), (0, True))],
[-0.00156249999999999*(0.0187499999999999*xi2 + 2.0*Piecewise((-1,
0.00624999999999998*xi2 - 0.99375 >= 0), (1,
0.00624999999999998*xi2 - 0.99375 < 0)) - 2.98125)*Piecewise((1,
And(0.00624999999999998*xi2 - 0.99375 <= 1,
0.00624999999999998*xi2 - 0.99375 >= -1)), (0, True))],
[-0.00270632938682636*xi1*(3.46410161513775*
(0.00624999999999998*xi2 - 0.99375)*Piecewise((-1,
0.00624999999999998*xi2 - 0.99375 >= 0), (1,
0.00624999999999998*xi2 - 0.99375 < 0)) +
1.73205080756888)*Piecewise((1, And(0.00624999999999998*xi2 -
0.99375 <= 1, 0.00624999999999998*xi2 - 0.99375 >= -1)), (0,
True))]])
M_simpl = Matrix([(xi2**2),(xi2**2)*xi1,(xi2**2)*(xi1**2)])
时间比较得出:
import timeit
%timeit lambdify([xi1,xi2], M, 'numpy')
10 loops, best of 3: 23 ms per loop
%timeit lambdify([xi1,xi2], M_simpl, 'numpy')
100 loops, best of 3: 2.47 ms per loop
这表明,处理更复杂的表达式比处理更简单的Matrix慢近10倍,这在使用lambdify()被应用于这些类型的矩阵中的几个。研究我所了解到的更快的ufunction的主题()函数,它似乎在使用Fortran或C后端时工作得最好。然而,在我的情况下,这不是最好的选择,由于该函数尚未扩展到sympy Matrices,我希望代码足够通用。其他Windows用户修改代码时不需要安装C编译器等。那么,是否可以在不使用其他编译器的情况下,提高这些类型sympy表达式的lambdify()函数的速度?
Lambda函数求值
当在特定坐标下求值时,上述渐近矩阵的λ函数也会表现出不同的性能。下面的简单5点求积示例说明了这一点:
# Quadrature coordinates
xi_v = np.array([[-1,-1], [-0.5,-0.5], [0,0], [0.5,0.5], [1,1]])
# Quadrature weights
w = np.array([3, 2, 1, 2, 3])
# Quadrature
def quad_func(func, xi_v, w):
G = np.zeros((3, 1))
for i in range(0, len(w), 1):
G += w[i]*func(*xi_v[i,:])
return G
# Testing time usage
f = lambdify([xi1,xi2], M, 'numpy')
%timeit quad_func(f, xi_v, w)
1000 loops, best of 3: 852 µs per loop
f_simpl = lambdify([xi1,xi2], M_simpl, 'numpy')
%timeit quad_func(f_simpl, xi_v, w)
10000 loops, best of 3: 33.9 µs per loop
我的第一React是从numba模块中引入jit来加快计算速度,然而,这导致了一个弹出窗口,声明python已经停止工作,内核被重新启动(f和f_simple都会发生):
import numba
quad_func_jit = numba.jit(quad_func)
quad_func_jit(f, xi_v, w)
Kernel died, restarting
那么,有没有办法加快这些lambda函数的求值,以减少总的运行时间?或者有没有办法避免numba.jit崩溃?
1条答案
按热度按时间qv7cva1a1#
我对
lambdify
生成的代码很感兴趣(lambdify将sympy语法转换为numpy代码),所以我使用inspect
模块打印了它:(The
f
的代码可以从下面的问题中得到,为了简洁起见,我在这里不再重复)print语句给了我这个巨大的函数,它似乎是正确的:然而,这个函数使用了很多numba不支持的numpy函数,比如
select
,这使得numba无法使用,所以回答你的问题:不,(遗憾的是)不可能将lambdify和numba结合起来创建JIT编译的symmy答案