Ich erstelle zufällige Toeplitz-Matrizen, um die Wahrscheinlichkeit zu schätzen, dass sie invertierbar sind. Mein aktueller Code istBeschleunigung zufällige Matrix Berechnung
import random
from scipy.linalg import toeplitz
import numpy as np
for n in xrange(1,25):
rankzero = 0
for repeats in xrange(50000):
column = [random.choice([0,1]) for x in xrange(n)]
row = [column[0]]+[random.choice([0,1]) for x in xrange(n-1)]
matrix = toeplitz(column, row)
if (np.linalg.matrix_rank(matrix) < n):
rankzero += 1
print n, (rankzero*1.0)/50000
Kann dies beschleunigt werden?
Ich möchte den Wert 50000 erhöhen, um mehr Genauigkeit zu erhalten, aber es ist derzeit zu langsam, um dies zu tun.
mit Profil nur for n in xrange(10,14)
zeigt
400000 9.482 0.000 9.482 0.000 {numpy.linalg.lapack_lite.dgesdd}
4400000 7.591 0.000 11.089 0.000 random.py:272(choice)
200000 6.836 0.000 10.903 0.000 index_tricks.py:144(__getitem__)
1 5.473 5.473 62.668 62.668 toeplitz.py:3(<module>)
800065 4.333 0.000 4.333 0.000 {numpy.core.multiarray.array}
200000 3.513 0.000 19.949 0.000 special_matrices.py:128(toeplitz)
200000 3.484 0.000 20.250 0.000 linalg.py:1194(svd)
6401273/64.421 0.000 2.421 0.000 {len}
200000 2.252 0.000 26.047 0.000 linalg.py:1417(matrix_rank)
4400000 1.863 0.000 1.863 0.000 {method 'random' of '_random.Random' objects}
2201015 1.240 0.000 1.240 0.000 {isinstance}
[...]
Vielen Dank. Hast du eine Ahnung, wann der Rang schneller wird als zufällig? Eine sehr kleine Sache, die 5000 sollte die 50000 an der Unterseite entsprechen. – marshall
det() vs rank() - es kann von Ihrer CPU abhängen. Ich schlage vor, einen kleinen Test zu machen % time it det (np.random.randint (0,2, Größe = (25,25)) vs % Zeit Matrix_Rank (np.random.randint (0,2, size = (25,25)) In Bezug auf 5000 vs 50000, machte ich es absichtlich kleiner für leichtere Tests –
det (np.random.randint (0,2, size = (25,25))) ist etwa 42 us und matrix_rank (np .random.randint (0,2, Größe = (25,25))) ist etwa 190 us. Ziemlich klar. – marshall