我有一些执行以下操作的简单代码。
它遍历所有可能的长度为n的列表F
和+-1个条目。对于每个条目,它都会迭代所有可能长度的2n
列表S
和+-1条目,其中$S$的前一半只是后半部分的副本。代码计算F
与长度为n
的S
的每个子列表的内积。对于每个F,S,它计算直到第一个非零的内积为零的内积。
下面是代码。
#!/usr/bin/python
from __future__ import division
import itertools
import operator
import math
n=14
m=n+1
def innerproduct(A, B):
assert (len(A) == len(B))
s = 0
for k in xrange(0,n):
s+=A[k]*B[k]
return s
leadingzerocounts = [0]*m
for S in itertools.product([-1,1], repeat = n):
S1 = S + S
for F in itertools.product([-1,1], repeat = n):
i = 0
while (i<m):
ip = innerproduct(F, S1[i:i+n])
if (ip == 0):
leadingzerocounts[i] +=1
i+=1
else:
break
print leadingzerocounts
n=14
的正确输出为
[56229888, 23557248, 9903104, 4160640, 1758240, 755392, 344800, 172320, 101312, 75776, 65696, 61216, 59200, 59200, 59200]
使用pypy,当n= 14时,这需要1分18秒。不幸的是,我真的想运行16,18,20,22,24,26。我不介意使用numba或cython,但如果可能的话,我更愿意使用python。
任何帮助加快这一进程的人都非常感谢。
我将在这里记录下最快的解决方案。(如果我错过了更新的答案,请告诉我。)
发布于 2014-11-20 03:24:32
这个新的代码通过利用问题的循环对称性获得了另一个数量级的加速。此Python版本使用Duval算法枚举项链;C版本使用蛮力。两者都包含了下面描述的加速。在我的机器上,C版本在100秒内解决了n= 20!粗略的计算表明,如果你让它在单个内核上运行一周,它可以解决n= 26,并且,如下所述,它符合并行性。
import itertools
def necklaces_with_multiplicity(n):
assert isinstance(n, int)
assert n > 0
w = [1] * n
i = 1
while True:
if n % i == 0:
s = sum(w)
if s > 0:
yield (tuple(w), i * 2)
elif s == 0:
yield (tuple(w), i)
i = n - 1
while w[i] == -1:
if i == 0:
return
i -= 1
w[i] = -1
i += 1
for j in range(n - i):
w[i + j] = w[j]
def leading_zero_counts(n):
assert isinstance(n, int)
assert n > 0
assert n % 2 == 0
counts = [0] * n
necklaces = list(necklaces_with_multiplicity(n))
for combo in itertools.combinations(range(n - 1), n // 2):
for v, multiplicity in necklaces:
w = list(v)
for j in combo:
w[j] *= -1
for i in range(n):
counts[i] += multiplicity * 2
product = 0
for j in range(n):
product += v[j - (i + 1)] * w[j]
if product != 0:
break
return counts
if __name__ == '__main__':
print(leading_zero_counts(12))
C版本:
#include <stdio.h>
enum {
N = 14
};
struct Necklace {
unsigned int v;
int multiplicity;
};
static struct Necklace g_necklace[1 << (N - 1)];
static int g_necklace_count;
static void initialize_necklace(void) {
g_necklace_count = 0;
for (unsigned int v = 0; v < (1U << (N - 1)); v++) {
int multiplicity;
unsigned int w = v;
for (multiplicity = 2; multiplicity < 2 * N; multiplicity += 2) {
w = ((w & 1) << (N - 1)) | (w >> 1);
unsigned int x = w ^ ((1U << N) - 1);
if (w < v || x < v) goto nope;
if (w == v || x == v) break;
}
g_necklace[g_necklace_count].v = v;
g_necklace[g_necklace_count].multiplicity = multiplicity;
g_necklace_count++;
nope:
;
}
}
int main(void) {
initialize_necklace();
long long leading_zero_count[N + 1];
for (int i = 0; i < N + 1; i++) leading_zero_count[i] = 0;
for (unsigned int v_xor_w = 0; v_xor_w < (1U << (N - 1)); v_xor_w++) {
if (__builtin_popcount(v_xor_w) != N / 2) continue;
for (int k = 0; k < g_necklace_count; k++) {
unsigned int v = g_necklace[k].v;
unsigned int w = v ^ v_xor_w;
for (int i = 0; i < N + 1; i++) {
leading_zero_count[i] += g_necklace[k].multiplicity;
w = ((w & 1) << (N - 1)) | (w >> 1);
if (__builtin_popcount(v ^ w) != N / 2) break;
}
}
}
for (int i = 0; i < N + 1; i++) {
printf(" %lld", 2 * leading_zero_count[i]);
}
putchar('\n');
return 0;
}
您可以通过利用符号对称性(4x)并仅迭代通过第一个内积测试的向量(渐近地,O(sqrt(n))x)来获得一些加速。
import itertools
n = 10
m = n + 1
def innerproduct(A, B):
s = 0
for k in range(n):
s += A[k] * B[k]
return s
leadingzerocounts = [0] * m
for S in itertools.product([-1, 1], repeat=n - 1):
S1 = S + (1,)
S1S1 = S1 * 2
for C in itertools.combinations(range(n - 1), n // 2):
F = list(S1)
for i in C:
F[i] *= -1
leadingzerocounts[0] += 4
for i in range(1, m):
if innerproduct(F, S1S1[i:i + n]):
break
leadingzerocounts[i] += 4
print(leadingzerocounts)
C版本,以了解我们的性能在多大程度上输给了PyPy ( PyPy的16大致相当于C的18 ):
#include <stdio.h>
enum {
HALFN = 9,
N = 2 * HALFN
};
int main(void) {
long long lzc[N + 1];
for (int i = 0; i < N + 1; i++) lzc[i] = 0;
unsigned int xor = 1 << (N - 1);
while (xor-- > 0) {
if (__builtin_popcount(xor) != HALFN) continue;
unsigned int s = 1 << (N - 1);
while (s-- > 0) {
lzc[0]++;
unsigned int f = xor ^ s;
for (int i = 1; i < N + 1; i++) {
f = ((f & 1) << (N - 1)) | (f >> 1);
if (__builtin_popcount(f ^ s) != HALFN) break;
lzc[i]++;
}
}
}
for (int i = 0; i < N + 1; i++) printf(" %lld", 4 * lzc[i]);
putchar('\n');
return 0;
}
这个算法的并行性令人尴尬,因为它只是累加xor
的所有值。对于C版本,粗略的计算表明,几千个小时的CPU时间足以计算n = 26
,按照EC2上的当前汇率,这相当于几百美元。毫无疑问,有一些优化需要进行(例如,矢量化),但对于这样的一次性优化,我不确定程序员的更多努力是值得的。
发布于 2014-11-17 03:14:46
提高n倍的一个非常简单的方法是更改以下代码:
def innerproduct(A, B):
assert (len(A) == len(B))
for j in xrange(len(A)):
s = 0
for k in xrange(0,n):
s+=A[k]*B[k]
return s
至
def innerproduct(A, B):
assert (len(A) == len(B))
s = 0
for k in xrange(0,n):
s+=A[k]*B[k]
return s
(我不知道为什么在j上有循环,但它每次都进行相同的计算,所以没有必要。)
发布于 2014-11-20 02:47:15
我已经尝试将它转换到NumPy数组中,并借用了这个问题:itertools product speed up
这就是我所得到的(这里可能有更多的加速):
def find_leading_zeros(n):
if n % 2:
return numpy.zeros(n)
m = n+1
leading_zero_counts = numpy.zeros(m)
product_list = [-1, 1]
repeat = n
s = (numpy.array(product_list)[numpy.rollaxis(numpy.indices((len(product_list),) * repeat),
0, repeat + 1).reshape(-1, repeat)]).astype('int8')
i = 0
size = s.shape[0] / 2
products = numpy.zeros((size, size), dtype=bool)
while i < m:
products += (numpy.tensordot(s[0:size, 0:size],
numpy.roll(s, i, axis=1)[0:size, 0:size],
axes=(-1,-1))).astype('bool')
leading_zero_counts[i] = (products.size - numpy.sum(products)) * 4
i += 1
return leading_zero_counts
为n=14运行时,我得到:
>>> find_leading_zeros(14)
array([ 56229888., 23557248., 9903104., 4160640., 1758240.,
755392., 344800., 172320., 101312., 75776.,
65696., 61216., 59200., 59200., 59200.])
所以一切看起来都很好。至于速度:
>>> timeit.timeit("find_leading_zeros_old(10)", number=10)
28.775046825408936
>>> timeit.timeit("find_leading_zeros(10)", number=10)
2.236745834350586
看看你怎么想的。
编辑:
最初的版本使用了2074MB的内存用于N=14,所以我删除了连接数组,转而使用numpy.roll
。此外,将数据类型更改为使用布尔数组,将使n=14的内存降至277MB。
在时间上,编辑速度又快了一点:
>>> timeit.timeit("find_leading_zeros(10)", number=10)
1.3816070556640625
EDIT2:
加上David指出的对称性,我再减少一次。它现在使用213MB。与之前的编辑相比的比较时间:
>>> timeit.timeit("find_leading_zeros(10)", number=10)
0.35357093811035156
我现在可以在我的mac上在14秒内完成n=14,我认为这对“纯python”来说是不错的。
https://stackoverflow.com/questions/26960749
复制相似问题