सी/सी ++ लिखने के बिना ifelse() को तेज करना?

Question

मैं निम्नलिखित समारोह

getScore <- function(history, similarities) {  
    nh<-ifelse(similarities<0, 6-history,history) 
    x <- nh*abs(similarities) 
    contados <- !is.na(history) 
    x2 <- sum(x, na.rm=TRUE)/sum(abs(similarities[contados]),na.rm=TRUE) 
    x2 
    } 

निम्नलिखित वैक्टर के लिए

उदाहरण के लिए के परिणाम प्राप्त करने की आवश्यकता:

notes <- c(1:5, NA) 
history <- sample(notes, 1000000, replace=T) 
similarities <- runif(1000000, -1,1) 

यह एक पाश के अंदर बदल जाता है। यह लेता है:

ptm <- proc.time() 
for (i in (1:10)) getScore(history, similarities) 
proc.time() - ptm 

    user system elapsed 
    3.71 1.11 4.67 

शुरू में मुझे लगता है कि समस्या for पाश है, लेकिन ifelse() लिए परिणाम अंक की रूपरेखा।

Rprof("foo.out") 
for (i in (1:10)) getScore(history, similarities) 
Rprof(NULL) 
summaryRprof("foo.out") 

$by.self 
      self.time self.pct total.time total.pct 
"ifelse"  2.96 65.78  3.48  77.33 
"-"    0.24  5.33  0.24  5.33 
"getScore"  0.22  4.89  4.50 100.00 
"<"    0.22  4.89  0.22  4.89 
"*"    0.22  4.89  0.22  4.89 
"abs"   0.22  4.89  0.22  4.89 
"sum"   0.22  4.89  0.22  4.89 
"is.na"   0.12  2.67  0.12  2.67 
"!"    0.08  1.78  0.08  1.78 

$by.total 
      total.time total.pct self.time self.pct 
"getScore"  4.50 100.00  0.22  4.89 
"ifelse"   3.48  77.33  2.96 65.78 
"-"    0.24  5.33  0.24  5.33 
"<"    0.22  4.89  0.22  4.89 
"*"    0.22  4.89  0.22  4.89 
"abs"   0.22  4.89  0.22  4.89 
"sum"   0.22  4.89  0.22  4.89 
"is.na"   0.12  2.67  0.12  2.67 
"!"    0.08  1.78  0.08  1.78 

$sample.interval 
[1] 0.02 

$sampling.time 
[1] 4.5 

ifelse() मेरा प्रदर्शन बाधा है। जब तक ifelse() को गति देने के लिए आर में कोई रास्ता नहीं है, तो शानदार प्रदर्शन बढ़ाने की संभावना नहीं है।

हालांकि, ifelse() पहले ही वेक्टरीकृत दृष्टिकोण है। ऐसा लगता है कि सी/सी ++ का उपयोग करने का एकमात्र मौका है। लेकिन संकलित कोड का उपयोग करने से बचने का कोई तरीका है?

Answer 1

मुझे इससे पहले सामना करना पड़ा है। हमें हर समय ifelse() का उपयोग करने की आवश्यकता नहीं है। यदि आप देखेंगे कि ifelse लिखा गया है, तो अपने आर कंसोल में "ifelse" टाइप करके, आप देख सकते हैं कि यह फ़ंक्शन आर भाषा में लिखा गया है, और यह विभिन्न जांच करता है जो वास्तव में अक्षम है।

इसके बजाय ifelse() का उपयोग कर के, हम ऐसा कर सकते हैं:

getScore <- function(history, similarities) { 
    ######## old code ####### 
    # nh <- ifelse(similarities < 0, 6 - history, history) 
    ######## old code ####### 
    ######## new code ####### 
    nh <- history 
    ind <- similarities < 0 
    nh[ind] <- 6 - nh[ind] 
    ######## new code ####### 
    x <- nh * abs(similarities) 
    contados <- !is.na(history) 
    sum(x, na.rm=TRUE)/sum(abs(similarities[contados]), na.rm = TRUE) 
    } 

और फिर की रूपरेखा परिणाम फिर से जांच करते हैं:

Rprof("foo.out") 
for (i in (1:10)) getScore(history, similarities) 
Rprof(NULL) 
summaryRprof("foo.out") 

# $by.total 
#   total.time total.pct self.time self.pct 
# "getScore"  2.10 100.00  0.88 41.90 
# "abs"   0.32  15.24  0.32 15.24 
# "*"    0.26  12.38  0.26 12.38 
# "sum"   0.26  12.38  0.26 12.38 
# "<"    0.14  6.67  0.14  6.67 
# "-"    0.14  6.67  0.14  6.67 
# "!"    0.06  2.86  0.06  2.86 
# "is.na"   0.04  1.90  0.04  1.90 

# $sample.interval 
# [1] 0.02 

# $sampling.time 
# [1] 2.1 

हम एक 2 + बार प्रदर्शन में बढ़ावा देने के लिए है। इसके अलावा, प्रोफाइल एक फ्लैट प्रोफ़ाइल की तरह है, बिना किसी एकल भाग निष्पादन समय पर हावी है।

आर में, वेक्टर इंडेक्सिंग/रीडिंग/लेखन सी कोड की गति से है, इसलिए जब भी हम कर सकते हैं, वेक्टर का उपयोग करें।

---

परीक्षण @ मैथ्यू के जवाब

mat_getScore <- function(history, similarities) { 
    ######## old code ####### 
    # nh <- ifelse(similarities < 0, 6 - history, history) 
    ######## old code ####### 
    ######## new code ####### 
    ind <- similarities < 0 
    nh <- ind*(6-history) + (!ind)*history 
    ######## new code ####### 
    x <- nh * abs(similarities) 
    contados <- !is.na(history) 
    sum(x, na.rm=TRUE)/sum(abs(similarities[contados]), na.rm = TRUE) 
    } 

Rprof("foo.out") 
for (i in (1:10)) mat_getScore(history, similarities) 
Rprof(NULL) 
summaryRprof("foo.out") 

# $by.total 
#    total.time total.pct self.time self.pct 
# "mat_getScore"  2.60 100.00  0.24  9.23 
# "*"     0.76  29.23  0.76 29.23 
# "!"     0.40  15.38  0.40 15.38 
# "-"     0.34  13.08  0.34 13.08 
# "+"     0.26  10.00  0.26 10.00 
# "abs"    0.20  7.69  0.20  7.69 
# "sum"    0.18  6.92  0.18  6.92 
# "<"     0.16  6.15  0.16  6.15 
# "is.na"    0.06  2.31  0.06  2.31 

# $sample.interval 
# [1] 0.02 

# $sampling.time 
# [1] 2.6 

आह? और धीमा?

पूर्ण प्रोफाइलिंग परिणाम से पता चलता है कि यह दृष्टिकोण फ्लोटिंग पॉइंट गुणा "*" पर अधिक समय बिताता है, और लॉजिकल "!" बहुत महंगा लगता है। जबकि मेरे दृष्टिकोण के लिए केवल फ़्लोटिंग पॉइंट एडिशन/घटाव की आवश्यकता है।

अच्छा, परिणाम भी आर्किटेक्चर निर्भर हो सकता है। मैं इस समय इंटेल नहलेम (इंटेल कोर 2 डुओ) पर परीक्षण कर रहा हूं। इसलिए विभिन्न प्लेटफार्मों पर दो दृष्टिकोणों के बीच बेंचमार्किंग का स्वागत है।

---

टिप्पणी

सभी रूपरेखा प्रश्न में ओपी के डेटा का उपयोग कर रहे हैं।

Answer 2

आप एक ही प्रभाव को प्राप्त करने के लिए इस कार्य को तार्किक गुणन का उपयोग कर सकते हैं:

s <- similarities < 0 
nh <- s*(6-history) + (!s)*history 

बेंचमार्क i7-3740QM पर:

f1 <- function(history, similarities) { s <- similarities < 0 
             s*(6-history) + (!s)*history} 
f2 <- function(history, similarities) ifelse(similarities<0, 6-history,history) 
f3 <- function(history, similarities) { nh <- history 
             ind <- similarities<0 
             nh[ind] <- 6 - nh[ind] 
             nh } 

microbenchmark(f1(history, similarities), 
       f2(history, similarities), 
       f3(history, similarities)) 
## Unit: milliseconds 
##      expr  min   lq   mean    median   uq  max neval cld 
## f1(history, similarities) 22.830260 24.6167695 28.31384860 24.89869950000000 25.651655 81.043713 100 a 
## f2(history, similarities) 364.514460 412.7117810 408.37156626 415.10114899999996 417.345748 437.977256 100 c 
## f3(history, similarities) 84.220279 86.2894795 92.64614571 87.18016549999999 89.616522 149.243051 100 b 

पर E5-2680 v2:

## Unit: milliseconds 
##      expr  min  lq  mean median  uq  max neval cld 
## f1(history, similarities) 20.03963 20.10954 21.41055 20.68597 21.25920 50.95278 100 a 
## f2(history, similarities) 314.54913 315.96621 324.91486 319.50290 325.93168 378.26016 100 c 
## f3(history, similarities) 73.81413 73.92162 76.10418 74.79893 75.84634 105.98770 100 b 

टी 5600 (कोर 2 डुओ मोबाइल) पर:

## Unit: milliseconds 
         expr  min  lq  mean median  uq  max neval cld 
## f1(history, similarities) 147.2953 152.9307 171.0870 155.5632 167.0998 344.7524 100 b 
## f2(history, similarities) 408.5728 493.3886 517.0573 501.6993 525.8573 797.9624 100 c 
## f3(history, similarities) 102.9621 110.6003 131.1826 112.9961 125.3906 303.1170 100 a 

आह! कोर 2 आर्किटेक्चर पर मेरा दृष्टिकोण धीमा है।

Answer 3

यहां एक तेज ifelse है, हालांकि यह उपरोक्त उत्तरों की तुलना में तेज़ नहीं है, यह ifelse संरचना को बनाए रखता है।

ifelse_sign <- function(b,x,y){ 

    x[!b] <- 0 
    y[b] <-0 

    x + y + b *0 
}