Зараз я працюю над методом Байєса, який вимагає декількох кроків оптимізації багаточленної моделі logit за ітерацію. Я використовую Optim () для виконання цих оптимізацій, і об'єктивна функція, написана в Р. Профілювання показало, що Optim () є основним вузьким місцем.
Після копання я знайшов це питання, в якому вони припускають, що перекодування цільової функції Rcppможе прискорити процес. Я слідував за пропозицією і перечитував свою цільову функцію Rcpp, але вона виявилася повільніше (приблизно в два рази повільніше!).
Це був мій перший раз Rcpp(або що-небудь, що стосується C ++), і я не зміг знайти спосіб векторизації коду. Будь-яка ідея, як зробити це швидше?
Tl; dr: Поточна реалізація функції в Rcpp не така швидка, як векторизована R; як зробити це швидше?
Відтворюваний приклад :
1) Визначте цільові функції в Rі Rcpp: вірогідність логарифма перехоплення лише мультиноміальної моделі
library(Rcpp)
library(microbenchmark)
llmnl_int <- function(beta, Obs, n_cat) {
n_Obs <- length(Obs)
Xint <- matrix(c(0, beta), byrow = T, ncol = n_cat, nrow = n_Obs)
ind <- cbind(c(1:n_Obs), Obs)
Xby <- Xint[ind]
Xint <- exp(Xint)
iota <- c(rep(1, (n_cat)))
denom <- log(Xint %*% iota)
return(sum(Xby - denom))
}
cppFunction('double llmnl_int_C(NumericVector beta, NumericVector Obs, int n_cat) {
int n_Obs = Obs.size();
NumericVector betas = (beta.size()+1);
for (int i = 1; i < n_cat; i++) {
betas[i] = beta[i-1];
};
NumericVector Xby = (n_Obs);
NumericMatrix Xint(n_Obs, n_cat);
NumericVector denom = (n_Obs);
for (int i = 0; i < Xby.size(); i++) {
Xint(i,_) = betas;
Xby[i] = Xint(i,Obs[i]-1.0);
Xint(i,_) = exp(Xint(i,_));
denom[i] = log(sum(Xint(i,_)));
};
return sum(Xby - denom);
}')
2) Порівняйте їх ефективність:
## Draw sample from a multinomial distribution
set.seed(2020)
mnl_sample <- t(rmultinom(n = 1000,size = 1,prob = c(0.3, 0.4, 0.2, 0.1)))
mnl_sample <- apply(mnl_sample,1,function(r) which(r == 1))
## Benchmarking
microbenchmark("llmml_int" = llmnl_int(beta = c(4,2,1), Obs = mnl_sample, n_cat = 4),
"llmml_int_C" = llmnl_int_C(beta = c(4,2,1), Obs = mnl_sample, n_cat = 4),
times = 100)
## Results
# Unit: microseconds
# expr min lq mean median uq max neval
# llmnl_int 76.809 78.6615 81.9677 79.7485 82.8495 124.295 100
# llmnl_int_C 155.405 157.7790 161.7677 159.2200 161.5805 201.655 100
3) Тепер зателефонувавши їм optim:
## Benchmarking with optim
microbenchmark("llmnl_int" = optim(c(4,2,1), llmnl_int, Obs = mnl_sample, n_cat = 4, method = "BFGS", hessian = T, control = list(fnscale = -1)),
"llmnl_int_C" = optim(c(4,2,1), llmnl_int_C, Obs = mnl_sample, n_cat = 4, method = "BFGS", hessian = T, control = list(fnscale = -1)),
times = 100)
## Results
# Unit: milliseconds
# expr min lq mean median uq max neval
# llmnl_int 12.49163 13.26338 15.74517 14.12413 18.35461 26.58235 100
# llmnl_int_C 25.57419 25.97413 28.05984 26.34231 30.44012 37.13442 100
Я був дещо здивований, що векторизована реалізація в R була швидшою. Впровадження більш ефективної версії в Rcpp (скажімо, з RcppArmadillo?) Може призвести до будь-яких вигод? Чи краще ідея перекодувати все в Rcpp за допомогою оптимізатора C ++?
PS: перший раз розміщення в Stackoverflow!
Obsяк доIntegerVectorзняття деяких каст.