8

我很难理解为什么随着迭代次数的增加，这段代码（改编自R Benchmark 2.5）变得越来越慢（平均而言）。

require(Matrix)  
c <- 0;
for (i in 1:100) {
  a <- new("dgeMatrix", x = rnorm(3250 * 3250), Dim = as.integer(c(3250, 3250)))
  b <- as.double(1:3250)

  invisible(gc())
  timing <- system.time({
    c <- solve(crossprod(a), crossprod(a, b))
  })
  print(timing)

  rm(a, b, c)
}

这是一个示例输出，从一次运行到下一次运行略有不同。

据我了解，从一次迭代到下一次迭代都不应该保存任何内容，但是时间从前几个循环中的 1 秒缓慢增加到后面循环中的 4 秒以上。你知道是什么原因造成的，我该如何解决？

将 for 循环切换到 *apply 似乎会产生类似的结果。

我知道代码没有经过优化，但它来自广泛使用的基准测试，并且根据导致此行为的原因，它可能表明其结果存在严重偏差（默认情况下仅迭代 3 次）。

我在 Mac OS 10.8.4 上运行 R 版本 3.0.1 (x86_64)，具有 16 GB RAM（其中很多是免费的）。BLAS 是 OpenBLAS。

4

2 回答 2

1

一种解决方案是使用编译器包将您的代码编译为字节码。这应该消除奇怪的时序问题，因为每次迭代都会调用相同的编译代码。它还应该使您的代码更快。要在您的代码上启用编译器，请包含以下两行：

library(compiler)
enableJIT(3)

如果编译代码不能消除问题，那么将缩小可疑问题的范围。

于 2013-07-10T17:33:20.113 回答
0

也许您可以尝试将 for 循环中的代码变成一个函数。这样一来，一次跑步真的不可能影响另一次跑步。此外，它消除了过度使用 rm() 和 gc() 造成的混乱。

require(Matrix)

NewFun <- function() {
    a <- new("dgeMatrix", x = rnorm(3250 * 3250), Dim = as.integer(c(3250, 3250)))
    b <- as.double(1:3250)
    timing <- system.time({
        c <- solve(crossprod(a), crossprod(a, b))
    })
    print(timing)
}

for (i in 1:100) {
    NewFun()
}
于 2013-07-10T14:45:31.570 回答