3

我正在用 R 编写一个期望最大化算法。为了加快计算速度，我想对这个瓶颈进行矢量化。我知道N大约是k的一百倍。

MyLoglik = 0
for (i in c(1:N))
{
 for (j in c(1:k))
 {
  MyLoglik = MyLoglik + MyTau[i,j]*log(MyP[j]*MyF(MyD[i,], MyMu[j,], MyS[[j]]))
 }
}

还有这个矩阵列表：

MyDf.list <- vector("list", k)
for(i in 1:k)
{
 MyDf.list[[i]] <- matrix(0,d,d)
 for (j in c(1:N))
 {
  MyDf.list[[i]] = MyDf.list[[i]] + MyTau[j,i]*as.numeric((MyD[j,]-MyMu[i,])) %*% t(as.numeric(MyD[j,]-MyMu[i,]))  
 }
 MyDf.list[[i]] = MyDf.list[[i]] / MyM[i]
}

我使用以下方法加快了速度：

MyLoglik = 0
for (j in c(1:k))
{
 MyR= apply(MyD, 1, function(x) log(MyP[j]*MyF(x, MyMu[j,], MyS[[j]])))
 MyLoglik = MyLoglik + sum(MyTau[,j]*MyR)
}

和：

d = dim(MyD)[2]
MyDf.list <- vector("list", k)
for(i in 1:k)
{
 MyDf.list[[i]] <- matrix(0,d,d)
 MyR= apply(MyD, 1, function(x) as.numeric((x-MyMu[i,])) %*% t(as.numeric(x-MyMu[i,])))
 MyDf.list[[i]] = matrix(rowSums(t(MyTau[,i]*t(MyR))) / MyM[i],d,d)
}
4

3 回答 3

4

对于第一个，我假设 MyF 是您制作的功能？如果您可以确保它将您的矩阵和列表作为输入并输出矩阵，您可以执行以下操作：

MyLoglik = sum(MyTau%*%log(MyP)) + sum(MyTau*log(MyF(MyD, MyMu, MyS)))

对于第二个，我认为因为您将其作为列表进行，所以矢量化将更加困难。也许你可以有一个 3 维数组而不是矩阵列表？因此 MyDf.array[i,j,k] 的维度为 N、d、d（或 d、d、N）。

于 2010-11-22T18:59:47.933 回答
3

我什至不想过早地提出这个建议，但这是在 R 中构建 C 扩展可能有意义的事情。对于具有定义（已知）大小的矩阵（你在这里！），C 扩展并不难构建，我保证！这里最讨厌的一点可能是传入'myF'

我的 R 知识已经过时了，但是 for 循环（尤其是像这个！）曾经是残酷的。

也许时机和弄清楚哪个部分慢会有所帮助？是我的F吗？如果你把它改成一个身份呢？

于 2010-11-22T18:57:18.403 回答
2

如果事情是对称的，您可以减少在内部循环中完成的工作：A[i,j] = A[j,i]

于 2010-11-22T18:27:38.697 回答