python - transpuesta - numpy tutorial español pdf

Utilice directamente la biblioteca Intel mkl en la matriz dispersa de Scipy para calcular un punto AT con menos memoria

Question

Quiero llamar a mkl.mkl_scsrmultcsr desde python. El objetivo es calcular una matriz dispersa C en formato de filas dispersas dispersas . La matriz dispersa C es el producto de la matriz entre A y la transposición de A, donde A es también una matriz dispersa en formato csr. Al calcular C = A dot (AT) con scipy, scipy parece (?) Asignar nueva memoria para mantener la transposición de A (AT), y definitivamente asigna memoria para una nueva matriz C (Esto significa que no puedo usar una C existente matriz). Por lo tanto, quiero intentar usar la función mkl c directamente para disminuir el uso de la memoria.

Aquí hay una respuesta que funciona para otra función mkl. En esa respuesta, la función mkl fue más rápida en 4 veces.

La siguiente versión finalmente funciona después de trabajar en ella durante 4 días. Quiero saber si desperdicié algún recuerdo. ¿Haría ctype alguna copia de la matriz numpy? ¿Es eso esa conversión csr-> csc en la función de prueba necesaria? La función intel c puede calcular (AT) punto A, o A punto A, pero no A punto (AT).

Gracias de nuevo.

from ctypes import *
import scipy.sparse as spsp
import numpy as np
import multiprocessing as mp
# June 2nd 2016 version.
# Load the share library
mkl = cdll.LoadLibrary("libmkl_rt.so")
def get_csr_handle(A,clear=False):
if clear == True:
A.indptr[:] = 0
A.indices[:] = 0
A.data[:] = 0
a_pointer = A.data.ctypes.data_as(POINTER(c_float))
# Array containing non-zero elements of the matrix A.
# This corresponds to data array of csr_matrix
# Its length is equal to #non zero elements in A
# (Can this be longer than actual #non-zero elements?)
assert A.data.ctypes.data % 16 == 0 # Check alignment
ja_pointer = A.indices.ctypes.data_as(POINTER(c_int))
# Array of column indices of all non-zero elements of A.
# This corresponds to the indices array of csr_matrix
assert A.indices.ctypes.data % 16 == 0 # Check alignment
ia_pointer = A.indptr.ctypes.data_as(POINTER(c_int))
# Array of length m+1.
# a[ia[i]:ia[i+1]] is the value of nonzero entries of
# the ith row of A.
# ja[ia[i]:ia[i+1]] is the column indices of nonzero
# entries of the ith row of A
# This corresponds to the indptr array of csr_matrix
assert A.indptr.ctypes.data % 16 == 0 # Check alignment
A_data_size = A.data.size
A_indices_size = A.indices.size
A_indptr_size = A.indptr.size
return (a_pointer, ja_pointer, ia_pointer, A)
def csr_dot_csr_t(A_handle, C_handle, nz=None):
# Calculate (A.T).dot(A) and put result into C
#
# This uses one-based indexing
#
# Both C.data and A.data must be in np.float32 type.
#
# Number of nonzero elements in C must be greater than
# or equal to the size of C.data
#
# size of C.indptr must be greater than or equal to
# 1 + (num rows of A).
#
# C_data = np.zeros((nz), dtype=np.single)
# C_indices = np.zeros((nz), dtype=np.int32)
# C_indptr = np.zeros((m+1),dtype=np.int32)
#assert len(c_pointer._obj) >= 1 + A_shape[0]
(a_pointer, ja_pointer, ia_pointer, A) = A_handle
(c_pointer, jc_pointer, ic_pointer, C) = C_handle
#print "CCC",C
#assert type(C.data[0]) == np.float32
#assert type(A.data[0]) == np.float32
#assert C.indptr.size >= A.shape[0] + 1
#CC = A.dot(A.T)
#assert C.data.size >= nz
#assert C.indices.size >= nz
trans_pointer = byref(c_char(''T''))
sort_pointer = byref(c_int(0))
(m, n) = A.shape
sort_pointer = byref(c_int(0))
m_pointer = byref(c_int(m)) # Number of rows of matrix A
n_pointer = byref(c_int(n)) # Number of columns of matrix A
k_pointer = byref(c_int(n)) # Number of columns of matrix B
# should be n when trans=''T''
# Otherwise, I guess should be m
###
b_pointer = a_pointer
jb_pointer = ja_pointer
ib_pointer = ia_pointer
###
if nz == None:
nz = n*n #*n # m*m # Number of nonzero elements expected
# probably can use lower value for sparse
# matrices.
nzmax_pointer = byref(c_int(nz))
# length of arrays c and jc. (which are data and
# indices of csr_matrix). So this is the number of
# nonzero elements of matrix C
#
# This parameter is used only if request=0.
# The routine stops calculation if the number of
# elements in the result matrix C exceeds the
# specified value of nzmax.
info = c_int(-3)
info_pointer = byref(info)
request_pointer_list = [byref(c_int(0)), byref(c_int(1)), byref(c_int(2))]
return_list = []
for ii in [0]:
request_pointer = request_pointer_list[ii]
ret = mkl.mkl_scsrmultcsr(trans_pointer, request_pointer, sort_pointer,
m_pointer, n_pointer, k_pointer,
a_pointer, ja_pointer, ia_pointer,
b_pointer, jb_pointer, ib_pointer,
c_pointer, jc_pointer, ic_pointer,
nzmax_pointer, info_pointer)
info_val = info.value
return_list += [ (ret,info_val) ]
return return_list
def show_csr_internal(A, indent=4):
# Print data, indptr, and indices
# of a scipy csr_matrix A
name = [''data'', ''indptr'', ''indices'']
mat = [A.data, A.indptr, A.indices]
for i in range(3):
str_print = '' ''*indent+name[i]+'':/n%s''%mat[i]
str_print = str_print.replace(''/n'', ''/n''+'' ''*indent*2)
print(str_print)
def fix_for_scipy(C,A):
n = A.shape[1]
print "fix n", n
nz = C.indptr[n] - 1 # -1 as this is still one based indexing.
print "fix nz", nz
data = C.data[:nz]
C.indptr[:n+1] -= 1
indptr = C.indptr[:n+1]
C.indices[:nz] -= 1
indices = C.indices[:nz]
return spsp.csr_matrix( (data, indices, indptr), shape=(n,n))
def test():
AA= [[1,0,0,1],
[1,0,1,0],
[0,0,1,0]]
AA = np.random.choice([0,1], size=(3,750000), replace=True, p=[0.99,0.01])
A_original = spsp.csr_matrix(AA)
#A = spsp.csr_matrix(A_original, dtype=np.float32)
A = A_original.astype(np.float32).tocsc()
#A_original = A.todense()
A = spsp.csr_matrix( (A.data, A.indices, A.indptr) )
print "A:"
show_csr_internal(A)
print A.todense()
A.indptr += 1 # convert to 1-based indexing
A.indices += 1 # convert to 1-based indexing
A_ptrs = get_csr_handle(A)
C = spsp.csr_matrix( np.ones((3,3)), dtype=np.float32)
#C.data = C.data[:16].view()
#C.indptr = C.indptr
C_ptrs = get_csr_handle(C, clear=True)
print "C:"
show_csr_internal(C)
print "=call mkl function="
return_list= csr_dot_csr_t(A_ptrs, C_ptrs)
print "(ret, info):", return_list
print "C after calling mkl:"
show_csr_internal(C)
C_fix = fix_for_scipy(C,A)
print "C_fix for scipy:"
show_csr_internal(C_fix)
print C_fix.todense()
print "Original C after fixing:"
show_csr_internal(C)
print "scipy''s (A).dot(A.T)"
scipy_ans = (A_original).dot(A_original.T)
#scipy_ans = spsp.csr_matrix(scipy_ans)
show_csr_internal(scipy_ans)
print scipy_ans.todense()
if __name__ == "__main__":
test()

Resultado:

A:
data:
[ 1. 1. 1. ..., 1. 1. 1.]
indptr:
[ 0 0 0 ..., 22673 22673 22673]
indices:
[1 0 2 ..., 2 1 2]
[[ 0. 0. 0.]
[ 0. 0. 0.]
[ 0. 0. 0.]
...,
[ 0. 0. 0.]
[ 0. 0. 0.]
[ 0. 0. 0.]]
C:
data:
[ 0. 0. 0. 0. 0. 0. 0. 0. 0.]
indptr:
[0 0 0 0]
indices:
[0 0 0 0 0 0 0 0 0]
=call mkl function=
(ret, info): [(2, 0)]
C after calling mkl:
data:
[ 7576. 77. 83. 77. 7607. 104. 83. 104. 7490.]
indptr:
[ 1 4 7 10]
indices:
[1 2 3 1 2 3 1 2 3]
fix n 3
fix nz 9
C_fix for scipy:
data:
[ 7576. 77. 83. 77. 7607. 104. 83. 104. 7490.]
indptr:
[0 3 6 9]
indices:
[0 1 2 0 1 2 0 1 2]
[[ 7576. 77. 83.]
[ 77. 7607. 104.]
[ 83. 104. 7490.]]
Original C after fixing:
data:
[ 7576. 77. 83. 77. 7607. 104. 83. 104. 7490.]
indptr:
[0 3 6 9]
indices:
[0 1 2 0 1 2 0 1 2]
scipy''s (A.T).dot(A)
data:
[ 83 77 7576 104 77 7607 83 104 7490]
indptr:
[0 3 6 9]
indices:
[2 1 0 2 0 1 0 1 2]
[[7576 77 83]
[ 77 7607 104]
[ 83 104 7490]]

Cosas aprendidas:

1. el índice comienza desde 1 para las matrices A, B y C.
2. Mezclé c_indptr y c_indices en el código original. Debería ser ia = indptr de scipy csr_matrix. ja = índices de scipy csr_matrix.

3. del código aquí . Todo se pasa al mkl_? Csrmultcsr como un puntero. mkl_scsrmultcsr(&ta, &r[1], &sort, &m, &m, &m, a, ja, ia, a, ja, ia, c, jc, ic, &nzmax, &info);

4. Quiero una función mkl que pueda funcionar con índice basado en cero. La función mkl.mkl_scsrmultcsr solo puede funcionar con indexación basada en uno. (O puedo hacer una indexación basada en una sola fuente para todo. Esto significa usar la función intel c en lugar de scipy / numpy para la mayoría de los pasos de álgebra lineal).

Answer 1

Mire el código de Python para el escaso producto scipy. Observe que llama al código compilado en 2 pases.

Parece que el código mkl hace lo mismo

https://software.intel.com/en-us/node/468640

Si request = 1, la rutina calcula solo valores de la matriz ic de longitud m + 1, la memoria para esta matriz debe asignarse de antemano. Al salir, el valor ic (m + 1) - 1 es el número real de los elementos en las matrices c y jc.

Si request = 2, se ha llamado previamente a la rutina con el parámetro request = 1, las matrices de salida jc y c están asignadas en el programa de llamada y tienen una longitud ic (m + 1) - 1 como mínimo.

Primero asignó ic función del número de filas de C (lo sabe de las entradas), y llama al código mkl con request=1 .

Para request=2 , debe asignar matrices c y jc , según el tamaño en ic(m+1) - 1 . Esto no es lo mismo que la cantidad de nnz en las matrices de entrada.

Está utilizando request1 = c_int(0) , que requiere que las matrices c tengan el tamaño correcto, lo que usted no sabe sin realizar realmente el dot (o una request 1 ).

==================

File: /usr/lib/python3/dist-packages/scipy/sparse/compressed.py
Definition: A._mul_sparse_matrix(self, other)

pase 1 asigna indptr (tamaño de nota) y pasa los punteros (los datos no importan en este pase)

 indptr = np.empty(major_axis + 1, dtype=idx_dtype)
fn = getattr(_sparsetools, self.format + ''_matmat_pass1'')
fn(M, N,
np.asarray(self.indptr, dtype=idx_dtype),
np.asarray(self.indices, dtype=idx_dtype),
np.asarray(other.indptr, dtype=idx_dtype),
np.asarray(other.indices, dtype=idx_dtype),
indptr)
nnz = indptr[-1]

el pase 2 asigna indptr (tamaño diferente) y se basa en indices y data nnz .

 indptr = np.asarray(indptr, dtype=idx_dtype)
indices = np.empty(nnz, dtype=idx_dtype)
data = np.empty(nnz, dtype=upcast(self.dtype, other.dtype))
fn = getattr(_sparsetools, self.format + ''_matmat_pass2'')
fn(M, N, np.asarray(self.indptr, dtype=idx_dtype),
np.asarray(self.indices, dtype=idx_dtype),
self.data,
np.asarray(other.indptr, dtype=idx_dtype),
np.asarray(other.indices, dtype=idx_dtype),
other.data,
indptr, indices, data)

Por último crea una nueva matriz usando estas matrices.

 return self.__class__((data,indices,indptr),shape=(M,N))

La biblioteca mkl debe usar de la misma manera.

===================

https://github.com/scipy/scipy/blob/master/scipy/sparse/sparsetools/csr.h

tiene el código c para csr_matmat_pass1 y csr_matmat_pass2

====================

En caso de que ayude, aquí hay una implementación pura de Python de estos pases. Una traducción literal sin ningún intento de aprovechar cualquier operación de matriz.

def pass1(A, B):
nrow,ncol=A.shape
Aptr=A.indptr
Bptr=B.indptr
Cp=np.zeros(nrow+1,int)
mask=np.zeros(ncol,int)-1
nnz=0
for i in range(nrow):
row_nnz=0
for jj in range(Aptr[i],Aptr[i+1]):
j=A.indices[jj]
for kk in range(Bptr[j],Bptr[j+1]):
k=B.indices[kk]
if mask[k]!=i:
mask[k]=i
row_nnz += 1
nnz += row_nnz
Cp[i+1]=nnz
return Cp
def pass2(A,B,Cnnz):
nrow,ncol=A.shape
Ap,Aj,Ax=A.indptr,A.indices,A.data
Bp,Bj,Bx=B.indptr,B.indices,B.data
next = np.zeros(ncol,int)-1
sums = np.zeros(ncol,A.dtype)
Cp=np.zeros(nrow+1,int)
Cj=np.zeros(Cnnz,int)
Cx=np.zeros(Cnnz,A.dtype)
nnz = 0
for i in range(nrow):
head = -2
length = 0
for jj in range(Ap[i], Ap[i+1]):
j, v = Aj[jj], Ax[jj]
for kk in range(Bp[j], Bp[j+1]):
k = Bj[kk]
sums[k] += v*Bx[kk]
if (next[k]==-1):
next[k], head=head, k
length += 1
print(i,sums, next)
for _ in range(length):
if sums[head] !=0:
Cj[nnz], Cx[nnz] = head, sums[head]
nnz += 1
temp = head
head = next[head]
next[temp], sums[temp] = -1, 0
Cp[i+1] = nnz
return Cp, Cj, Cx
def pass0(A,B):
Cp = pass1(A,B)
nnz = Cp[-1]
Cp,Cj,Cx=pass2(A,B,nnz)
N,M=A.shape[0], B.shape[1]
C=sparse.csr_matrix((Cx, Cj, Cp), shape=(N,M))
return C

Tanto A como B tienen que ser csr . Utilizando una transposición, necesita conversión, por ejemplo, B = ATtocsr() .