我目前正在进行一个机器学习项目,在这个项目中,给定一个数据矩阵Z和一个向量rho,我必须计算logistic loss function在rho处的值和斜率。计算包括基本的矩阵向量乘法和log/exp运算,以及避免数值溢出的技巧(如本文previous post所述)。在
我目前使用的是Python中的NumPy,如下所示(作为参考,这段代码在0.2s中运行)。虽然这很好用,但是我想加快速度,因为我在代码中多次调用这个函数(它代表了我项目中90%以上的计算量)。在
我正在寻找任何方法来提高这个代码的运行时间而不进行并行化(即只有1个CPU)。< /强>我很高兴使用Python中的任何公开可用的包,或者调用C或C++(因为我听说这会提高运行时间一个数量级)。预处理数据矩阵Z也可以。一些可以用来更好地计算的东西是向量rho通常是稀疏的(大约50%的条目=0),并且通常far行多于列(在大多数情况下n_cols <= 100)import time
import numpy as np
np.__config__.show() #make sure BLAS/LAPACK is being used
np.random.seed(seed = 0)
#initialize data matrix X and label vector Y
n_rows, n_cols = 1e6, 100
X = np.random.random(size=(n_rows, n_cols))
Y = np.random.randint(low=0, high=2, size=(n_rows, 1))
Y[Y==0] = -1
Z = X*Y #