はじめに
前回記事で実装した Differential Entropic Clustering をもう少し高速化したいなぁ，という話．
実装
やり方は簡単で，numbaをインストールして，@jit デコレータをBurg matrix divergence およびMahalanobis距離を計算する関数につけるだけ．
@jit(nopython=True) def comp_burg_div(mat_x, mat_y): """Compute Burg matrix divergence.""" dim = mat_x.shape[0] mat_y_inv = LA.inv(mat_y) mat = mat_x @ mat_y_inv burg_div = np.trace(mat) - np.log(LA.det(mat)) - dim return burg_div @jit(nopython=True) def comp_maha_dist(vec_x, vec_y, cov): """Compute Mahalanobis distance.""" delta = vec_x - vec_y m = np.dot(np.dot(delta, LA.inv(cov)), delta) return np.sqrt(m)
前回記事のdemoスクリプトを上記の関数たちに置き換えて，time moduleで簡単に計測してみたところ，
- 高速化なし ... 58.50秒
- Burg matrix divergence を計算する関数のみ高速化 ... 33.59秒
- Mahalanobis 距離を計算する関数のみ高速化 ... 45.33秒
- 両方の関数を高速化 ... 12.31秒
となった．
高速化に成功した．行列計算関連で繰り返し呼び出される関数には，jitデコレータをつけておくのが良さそうである．
以下，参考まで，今回の実装．main関数の前後で時間計測する（面倒なので）．
おわりに
Numbaによる高速化の効果は大いにあったので，薦めたい．
