【发布时间】：2020-06-02 18:22:11
【问题描述】：
我目前正在研究一种贝叶斯方法，该方法需要对每次迭代的多项式 logit 模型进行多个优化步骤。我正在使用 optim() 来执行这些优化，并且使用 R 编写了一个目标函数。分析表明 optim() 是主要瓶颈。
在四处挖掘之后，我发现了this question，他们建议用Rcpp 重新编码目标函数可以加快这个过程。我按照建议使用Rcpp 重新编码了我的目标函数，但它最终变慢了（大约慢了两倍！）。
这是我第一次使用Rcpp（或任何与 C++ 相关的东西），但我无法找到矢量化代码的方法。知道如何让它更快吗？
Tl;dr：Rcpp 中函数的当前实现不如矢量化 R 快；如何让它更快？
一个可重现的例子：
- 在
R和Rcpp中定义目标函数：仅截取多项式模型的对数似然
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);
}')
- 比较它们的效率：
## 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
- 现在打电话给他们
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
R 中的向量化实现更快，这让我有些惊讶。在 Rcpp 中实现更高效的版本（例如，使用 RcppArmadillo？）可以产生任何收益吗？使用 C++ 优化器重新编码 Rcpp 中的所有内容是否更好？
【问题讨论】：
标签： r optimization rcpp