高要区公路建设规划局网站,弓长岭网站建设,本周时政新闻热点10条,影视公司起名文章目录 1 前言2 几个循环2.1 100以内的和2.2 100以内奇数和/偶数和 3 多重循环3.1 向量化3.2 合并循环3.3 apply函数3.4 矩阵运算3.5 foreach分解任务 4 讨论 1 前言
笔者主力机是MBAM1芯片#xff08;8256#xff09;#xff0c;某个下午巩固循环突然思考到个问题#… 文章目录 1 前言2 几个循环2.1 100以内的和2.2 100以内奇数和/偶数和 3 多重循环3.1 向量化3.2 合并循环3.3 apply函数3.4 矩阵运算3.5 foreach分解任务 4 讨论 1 前言
笔者主力机是MBAM1芯片8256某个下午巩固循环突然思考到个问题小循环很快就能run出来中循环还勉勉强强稍微上点强度就运行的很慢。虽然是CPU占用100%8颗核心好像是偷着懒跑的但是丢给我那台4核心8线程黑苹果是跑满的说明ARM在多线程的时候有点东西
下图是计算一个10亿内训练模型时的top 2 几个循环
2.1 100以内的和
### for
sum - 0
for (i in 1:100) {sum - sum i
}
print(sum)### while
sum - 0
i - 1
while (i 100) {sum - sum ii - i 1
}
print(sum)2.2 100以内奇数和/偶数和
### for
odd_sum - 0
even_sum - 0for (i in 1:100) {if (i %% 2 0) {even_sum - even_sum i} else {odd_sum - odd_sum i}
}print(paste(奇数和, odd_sum))
print(paste(偶数和, even_sum))### while
odd_sum - 0
even_sum - 0
i - 1while (i 100) {if (i %% 2 0) {even_sum - even_sum i} else {odd_sum - odd_sum i}i - i 1
}print(paste(奇数和, odd_sum))
print(paste(偶数和, even_sum))3 多重循环
以下仅记录和提供思路具体情况具体分析但是有一点思维模式很得益
3.1 向量化
假设计算两个向量x和y的点积使用for循环分别游历相乘再相加
x - c(1, 2, 3, 4, 5)
y - c(5, 4, 3, 2, 1)
dot_product - 0
for (i in 1:length(x)) {dot_product - dot_product x[i] * y[i]
}
print(dot_product)向量化可以理解为对号入座亮点就是sum()和*
x - c(1, 2, 3, 4, 5)
y - c(5, 4, 3, 2, 1)
dot_product - sum(x * y)
print(dot_product)3.2 合并循环
假设对两个矩阵A和B中的每个元素进行遍历将它们相加并将结果保存到矩阵C中。可以使用两个嵌套的for循环实现
A - matrix(1:9, 3, 3)
B - matrix(10:18, 3, 3)
C - matrix(0, 3, 3)
for (i in 1:nrow(A)) {for (j in 1:ncol(A)) {C[i, j] - A[i, j] B[i, j]}
}
print(C)#输出结果[,1] [,2] [,3]
[1,] 11 13 15
[2,] 17 19 21
[3,] 23 25 27但是理解这类的目的合并循环的思路在这里刚好就是矩阵一一对应的数字相加
A - matrix(1:9, 3, 3)
B - matrix(10:18, 3, 3)
C - A B
print(C)3.3 apply函数
假设有一个3x3的二维矩阵mat需要将矩阵中每个元素求平方。我们可以使用for循环来实现
mat - matrix(1:9, 3, 3)
result - matrix(0, 3, 3)
for (i in 1:nrow(mat)) {for (j in 1:ncol(mat)) {result[i, j] - mat[i, j] ^ 2}
}
print(result)用applyfunction
mat - matrix(1:9, 3, 3)
result - apply(mat, c(1, 2), function(x) x^2)
print(result)
3.4 矩阵运算
假设需要计算一个矩阵A的逆矩阵使用for循环和矩阵运算实现
A - matrix(c(1, 2, 3, 4), 2, 2)
det_A - A[1, 1] * A[2, 2] - A[1, 2] * A[2, 1]
adj_A - matrix(c(A[2, 2], -A[1, 2], -A[2, 1], A[1, 1]), 2, 2)
A_inv - adj_A / det_A
print(A_inv)#输出结果[,1] [,2]
[1,] -2.0 1.0
[2,] 1.5 -0.5若要优化这一步骤很简单直接用solve()
A - matrix(c(1, 2, 3, 4), 2, 2)
A_inv - solve(A)
print(A_inv)3.5 foreach分解任务
用foreach包实现多线程for循环
library(foreach)
library(doParallel)# 创建一个1000行1000列的矩阵
m - matrix(runif(1000000), nrow 1000)# 初始化并行计算环境
cl - makeCluster(detectCores())
registerDoParallel(cl)# 使用foreach包和%dopar%运算符进行并行计算
result - foreach(i 1:nrow(m), .combine ) %dopar% sum(m[i, ])# 结束并行计算环境
stopCluster(cl)# 输出结果
print(result) 有人会说这不就是用了个函数吗 是但又不完全是不然为何有人懂得用这个函数但有人需要一步一步算并非说一步一步算不好只有自己算过理解了才懂得去挖掘深度化繁为简
4 讨论
如果只知道个函数是知其然而不知其所以然但是只知道计算过程便如优化前的一样一步一步计算。得益于现在互联网发展的飞起各种便利工具各种开源方法几乎人人都是调包侠但是当现成的辅佐无法满足时还是需要回归底层。最近深有感触不论是数据挖掘、还是机器学习深度学习、人工智能、全栈分析的尽头就是算法。
