如何为此代码执行 Numpy 优化？答案

【问题标题】：How to perform Numpy optimisation for this code?如何为此代码执行 Numpy 优化？
【发布时间】：2015-07-12 22:26:25
【问题描述】：

我有以下代码sn-p：

def func1(self, X, y):
    #X.shape = (455,13)
    #y.shape = (455)

    num_examples, num_features = np.shape(X)
    self.weights = np.random.uniform(-1 / (2 * num_examples), 1 / (2 * num_examples), num_features)

    while condition:
        new_weights = np.zeros(num_features)
        K = (np.dot(X, self.weights) - y)

        for j in range(num_features):
            summ = 0

            for i in range(num_examples):
                summ += K[i] * X[i][j]

            new_weights[j] = self.weights[j] - ((self.alpha / num_examples) * summ)

        self.weights = new_weights

此代码运行速度太慢。有什么优化，我可以做吗？

【问题讨论】：

什么是condition？
@unutbu, count of iteration > 0.
while-loop 是无限的吗？
@unutbu，没有。我只是从示例中删除 counter。
您真的要重置summ=0 内部 for j 循环吗？这样一来，您就丢弃了 for j 循环的每次迭代完成的所有工作，除了 j 等于 num_features-1 的最后一次迭代。

标签： python arrays performance numpy optimization

【解决方案1】：

您可以有效地使用np.einsum()。请参阅下面的测试版本：

def func2(X, y):
    num_examples, num_features = np.shape(X)
    weights = np.random.uniform(-1./(2*num_examples), 1./(2*num_examples), num_features)

    K = (np.dot(X, weights) - y)

    return weights - alpha/num_examples*np.einsum('i,ij->j', K, X)

【讨论】：

【解决方案2】：

您可以直接使用matrix-multiplication 和np.dot 来获取new_weights，就像这样-

new_weights = self.weights- ((self.alpha / num_examples) * np.dot(K[None],X))

【讨论】：

感谢您的帮助！看来您的代码运行正常，但比Saullo Castro 慢一点。
@Denis 是的，einsum 似乎是优化解决方案的最佳选择！