我正在使用 numpy einsum 對一些 3 維和 4 維張量執行相當復雜的操作。我的實際代碼是np.einsum('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi)這就是我想要它做的。使用 einsum_path，結果是：>>> path = np.einsum_path('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi)>>> print(path[0])['einsum_path', (0, 1), (0, 3), (0, 1), (0, 1)]>>> print(path[1]) Complete contraction: oij,imj,mjkn,lnk,plk->op Naive scaling: 8 Optimized scaling: 5 Naive FLOP count: 2.668e+07 Optimized FLOP count: 1.340e+05 Theoretical speedup: 199.136 Largest intermediate: 7.700e+02 elements--------------------------------------------------------------------------scaling current remaining-------------------------------------------------------------------------- 4 imj,oij->moj mjkn,lnk,plk,moj->op 5 moj,mjkn->nok lnk,plk,nok->op 4 plk,lnk->npk nok,npk->op 4 npk,nok->op op->op這表明理論加速約為 200 倍。我怎樣才能使用這個結果來加速我的代碼？我如何“實施” einsum_path 告訴我的內容？
2 回答
臨摹微笑
TA貢獻1982條經驗 獲得超2個贊
做一些時間測試
path = np.einsum_path('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi)
np.einsum('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi, optimize=False)
np.einsum('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi, optimize=True)
np.einsum('oij,imj,mjkn,lnk,plk->op',phi,B,Suu,B,phi, optimize=path[0])
在我的測試中，第二個 2 以相同的速度運行。對于小問題optimize=False更快，大概是因為分析和重新排列需要時間。對于大問題，理論加速比更大，實際加速比True可能大于理論。據推測，內存管理正在減緩這種False情況。
該theoretical speedup就是這樣，僅僅基于一個估計FLOPS計數。只有當 FLOPS 在計算中占主導地位時，這才是正確的。
你也可以計時path計算。問題的大小將決定它的時間是總時間的一小部分還是大部分。
HUWWW
TA貢獻1874條經驗 獲得超12個贊
從源代碼
Theoretical Speedup = speedup = naive_cost / opt_cost
naive_cost = _flop_count(idx_contract, idx_removed, len(input_sets), idx_dict)
因此，從這一點來看，要加快該過程，您需要降低FLOPS（每秒浮點運算）。由于樸素成本是未優化表達式的成本，因此您需要以這樣一種方式重寫您的表達式，即刪除與表達式相關的任何“垃圾”，同時在不更改表達式的基礎結構的情況下離開。
從你的問題來看，你正在做一些復雜的表達，這可能是不可能的。但是要回答你的問題，嘗試重寫你的表達式是一種更緊湊的方式，以獲得較低的理論加速。
您可以嘗試使用不同的路徑來降低您的 FLOPS。
添加回答
舉報
0/150
提交
取消