2

一个简单的矩阵基准测试表明，Revolution Analytics R 2.13.2的 LU 分解比矩阵乘法慢近 5 倍。理论和多年的实践表明，LU 应该是 1/3 到 2/3 的时间A*A。

Revo R 和 Matlab 使用英特尔的数学内核进行此测试。 R 2.14.1没有使用内核。一切都是 64 位的。

异常情况如下表 2 所示。这是对表 1 进行归一化处理A*A。还有其他（明显的）异常，但 LU 是最明显的异常。

                        Table 1 (secs)

                    A*A     LU     A\b    Det   Inv
----------------------------------------------------
R 2.14.1           0.757   0.43   0.45   0.20  1.11
Revo R 2.13.2      0.063   0.35   0.11   0.03  0.14
Matlab 2011b       0.062   0.08   0.10   0.07  0.16
----------------------------------------------------
Averaged over 20 runs on a 1000x1000 random matrix


                       Table 2 (normalized)

                    A*A     LU     A\b    Det   Inv
----------------------------------------------------
R 2.14.1             1     0.57   0.19   0.26  1.47
Revol R 2.13.2       1     4.67*  1.58   1.33  2.17
Matlab 2011b         1     0.67   1.72   0.61  1.68
----------------------------------------------------
Note: x = A\b in Matlab is x <- solve(A,b) in R.

更新：我已听从 Simon Urbanek 的建议并替换LUP = expand(lu(Matrix(A)));为lu(A); Revo R 行现在是

                    Revol R 2.13.2

              A*A    LU     A\b    Det   Inv
            ---------------------------------
  time       0.104  0.107  0.110  0.042  0.231  
  norm time  1.000  1.034  1.060  0.401  2.232

以秒为单位的时间

Dell Precision 690, 2 x Intel®  Xeon® E53405 CPU @ 2.33GHz,
16GB ram, 2 Processors, 8 Cores and 8 Threads, 
Windows 7 Prof., 64-bit

包含表格和使用的代码的正在进行中的报告在这里。

更新 2：

我已修改矩阵基准以仅测试矩阵分解。这些是构建所有其他矩阵算法的基础，如果这些是不稳定的，那么所有其他算法也将是不稳定的。

我已经换了一个全新的

Lenovo ThinkPad X220, Intel Core i7-2640M CPU @ 2.80GHz, 
8GB ram, 1 Processor, 2 Cores and 4 Threads
Windows 7 Professional, 64-bit.

注意：Core i7处理器具有Intel 的 Turbo Boost，如果它感觉到高需求，可以将时钟频率提高到 3.5GHz。据我所知，Turbo Boost 在这三个系统中的任何一个中都不受程序（mer）控制。

我希望这些更改将使结果更有用。

                          Table 3. Times(secs)

                  A*A    chol(A)   lu(A)    qr(A)    svd(A)   eig(A)   Total
-----------------------------------------------------------------------------
R 2.14.1         0.904    0.157    0.260    0.568    4.260    6.967    13.11
Revol R 2.13.2   0.121    0.029    0.062    0.411    1.623    3.265     5.51   
Matlab 2011b     0.061    0.014    0.033    0.056    0.342    0.963     1.47       
-----------------------------------------------------------------------------
                    Times(secs) averaged over 20  runs



                          Table 4. Times(normalized)

                  A*A    chol(A)   lu(A)    qr(A)    svd(A)  eig(A)   Total
----------------------------------------------------------------------------
R 2.14.1         1.000    0.174    0.288    0.628    4.714    7.711   14.52
Revol R 2.13.2   1.000    0.237    0.515    3.411   13.469   27.095   45.73
Matlab 2011b     1.000    0.260    0.610    0.967    5.768   16.774   25.38
----------------------------------------------------------------------------
                     Times(secs) averaged over 20  runs

从表 4 中我们可以看出，虚假异常已经消失，所有系统都按照理论预测的方式运行。

                          Table 5. Times/Matlab Times

                  A*A    chol(A)   lu(A)    qr(A)    svd(A)  eig(A)   Total
----------------------------------------------------------------------------
R 2.14.1          15      11         8       10       12       7        9
Revol R 2.13.2     2       2         2        7        5       3        4
----------------------------------------------------------------------------
                         Rounded to the nearest integer
4

1 回答 1

5

FWIW，您不是在测量分解的时间，而是通过始终转换矩阵而产生的开销。在常规 R 中：

# actual lu call
> system.time(lu(A))
   user  system elapsed 
  0.136   0.000   0.139 
# your code
> system.time(expand(lu(Matrix(A))))
   user  system elapsed 
  0.536   0.000   0.537

所以你很可能自己创造了开销。当分解速度很快时，这一点尤其重要。另请注意，考虑“R”的性能是模棱两可的，因为 R 本身的性能根据您使用的 BLAS 的不同而有很大差异。

（作为旁注 - 您可能希望system.time在您的基准测试中使用 - 您也可能对microbenchmarkR 包感兴趣）

于 2012-01-16T05:16:52.837 回答