1

我坚持在 MATLAB/Octave 中对这个棘手的循环进行矢量化：

[nr, nc] = size(R);
P = rand(nr, K);
Q = rand(K, nc);

for i = 1:nr
   for j = 1:nc
      if R(i,j) > 0
          eij = R(i,j) - P(i,:)*Q(:,j);
          for k = 1:K
          P(i,k) = P(i,k) + alpha * (2 * eij * Q(k,j) - beta * P(i,k));
          Q(k,j) = Q(k,j) + alpha * (2 * eij * P(i,k) - beta * Q(k,j));
          end
      end
   end
end

该代码尝试将 R 分解为 P 和 Q，并使用更新规则逼近最近的 P 和 Q。例如，设 R = [3 4 0 1 1; 0 1 0 4 4；5 4 3 1 0；0 0 5 4 3；5 3 0 2 1]，K=2，α=0.01，β=0.015。在我的真实案例中，我将使用一个巨大的稀疏矩阵 R（这就是我需要向量化的原因），而 K 仍然很小（小于 10）。整个脚本的目标是根据非零元素为 R 中的每 0 个元素生成一个预测值。我从这里得到了这段代码，最初是用 Python 编写的。

4

2 回答 2

1

由于操作P和Q本质上是串行的（迭代更新），我认为你不能做得更好。您可以if在循环中保存：

[nr, nc] - size(R);
P = rand(nr, K);
Q = rand(K, nc);

[nzi nzj] = find( R > 0 );
for ii=1:numel(nzi)
    i = nzi(ii);
    j = nzj(ii);
    eij = R(i,j) - P(i,:)*Q(:,j);
    P(i,:) = P(i,:) + alpha * (2 * eij * Q(:,j)' - beta * P(i,:));
    Q(:,j) = Q(:,j) + alpha * (2 * eij * P(i,:)' - beta * Q(:,j));
end
于 2012-12-05T17:27:41.307 回答
1

这看起来像是并非所有代码都可以矢量化的情况之一。不过，你可以让它比现在好一点。

[nr, nc] = size(R);
P = rand(nr, K);
Q = rand(K, nc);

for i = 1:nr
   for j = 1:nc
      if R(i,j) > 0
          eij = R(i,j) - P(i,:)*Q(:,j);
          P(i,:) = P(i,:) + alpha * (2 * eij * Q(:,j)' - beta * P(i,:));
          Q(:,j) = Q(:,j) + alpha * (2 * eij * P(i,:)' - beta * Q(:,j));
      end
   end
end
于 2012-06-04T15:06:11.947 回答