python - cython中可能的优化:numpy数组

下面是我从多元正态分布中提取的cython码。我使用循环，因为每次我有不同的密度。（conLSigma是Cholesky因子）
这需要很多时间，因为我正在对每个循环进行逆和Cholesky分解它比纯python代码快，但我想知道是否有任何方法可以提高速度。

from __future__ import division

import numpy as np

cimport numpy as np

ctypedef np.float64_t dtype_t

cimport cython
@cython.boundscheck(False)
@cython.wraparound(False)

def drawMetro(np.ndarray[dtype_t, ndim = 2] beta,
              np.ndarray[dtype_t, ndim = 3] H,
              np.ndarray[dtype_t, ndim = 2] Sigma,
              float s):

    cdef int ncons = betas.shape[0]
    cdef int nX = betas.shape[1]
    cdef int con

    cdef np.ndarray betas_cand = np.zeros([ncons, nX], dtype = np.float64)
    cdef np.ndarray conLSigma = np.zeros([nX, nX], dtype = np.float64)

    for con in xrange(ncons):
        conLSigma = np.linalg.cholesky(np.linalg.inv(H[con] + Sigma))
        betas_cand[con] = betas[con] + s * np.dot(conLSigma, np.random.standard_normal(size = nX))

    return(betas_cand)

最佳答案

Cholesky分解创建一个下三角矩阵这意味着np.dot中几乎一半的乘法运算不需要完成。如果你换线

betas_cand[con] = betas[con] + s * np.dot(conLSigma, np.random.standard_normal(size = nX))

进入之内

tmp = np.random.standard_normal(size = nX)
for i in xrange(nX):
    for j in xrange(i+1):
        betas_cand[con,i] += s * conLSigma[i,j] * tmp[j]

但是，你也需要改变

cdef np.ndarray betas_cand = np.zeros([ncons, nX], dtype = np.float64)

进入之内

cdef np.ndarray betas_cand = np.array(betas)

你当然可以用切片来做乘法运算，但我不确定它是否会比我建议的快。不管怎样，希望你能明白我不认为你还能做什么来加快速度。

关于python - cython中可能的优化:numpy数组，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/4236566/