আমি বর্তমানে একটি বায়েশিয়ান পদ্ধতিতে কাজ করছি যার জন্য পুনরাবৃত্তির জন্য বহুজাতিক লজিট মডেলটির অনুকূলিতকরণের একাধিক পদক্ষেপ প্রয়োজন। আমি এই অপটিমাইজেশনগুলি সম্পাদন করতে অপ্টিম () ব্যবহার করছি এবং আর-তে লেখা একটি উদ্দেশ্যমূলক ফাংশনটি প্রকাশ করেছে যে সর্বোত্তম () হ'ল প্রধান বাধা।
চারপাশে খনন করার পরে, আমি এই প্রশ্নটি পেয়েছি যার মধ্যে তারা প্রস্তাব দেয় যে সাথে উদ্দেশ্যমূলক ফাংশনটি পুনরায় সাজানো Rcppপ্রক্রিয়াটির গতি বাড়িয়ে দিতে পারে। আমি পরামর্শটি অনুসরণ করেছি এবং আমার উদ্দেশ্যমূলক ক্রিয়াকলাপটি পুনরায় সংশোধন করেছি Rcpp, তবে এটি ধীরে ধীরে শেষ হয়েছে (প্রায় দুইগুণ ধীর!)।
এটি Rcpp(বা সি ++ এর সাথে সম্পর্কিত কিছু) এর সাথে আমার প্রথমবার ছিল এবং আমি কোডটি ভেক্টরাইজ করার কোনও উপায় খুঁজে পাইনি। এটি কীভাবে দ্রুত করা যায় কোনও ধারণা?
টিএল; ড: আরসিপিতে ফাংশনের বর্তমান প্রয়োগ ভেক্টরিযুক্ত আর এর মতো তত দ্রুত নয়; কিভাবে এটি দ্রুত করতে?
একটি পুনরুত্পাদনযোগ্য উদাহরণ :
1) উদ্দেশ্যমূলক ফাংশনগুলি সংজ্ঞায়িত করুন Rএবং Rcpp: কেবলমাত্র একটি ইন্টারসেপ্ট কেবল বহুজাতিক মডেলের লগ-সম্ভাবনা
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) তাদের দক্ষতা তুলনা:
## 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) এখন তাদের মধ্যে কল 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
আমি কিছুটা অবাক হয়েছি যে আর্টে ভেক্টরাইজড বাস্তবায়ন দ্রুত ছিল। আরসিপ্পিতে আরও দক্ষ সংস্করণটি প্রয়োগ করে (বলুন, আরসিপিআরমাডিলো দিয়ে?) কোনও লাভ হতে পারে? Cc+ অপটিমাইজার ব্যবহার করে আরসিপ্পিতে সমস্ত কিছু পুনরুদ্ধার করা কি আরও ভাল ধারণা?
পিএস: স্ট্যাকওভারফ্লোতে প্রথমবারের মতো পোস্টিং!
Obsহিসাবে বিবেচনা করতে পারেনIntegerVector।