Я работаю на построение системы нечеткого логического вывода с skfuzzy и мне нужно найти способ, чтобы ускорить мой код:Эффективный способ проходным больших массивов Numpy
import skfuzzy as fuzz
from skfuzzy import control as ctrl
import numpy as np
def FIS(s, r):
#Generate universe variables
a = ctrl.Antecedent(np.arange(0, 70.1, 0.1), 'a')
b = ctrl.Antecedent(np.arange(0, 6.01, 0.01), 'b')
c = ctrl.Consequent(np.arange(0, 12.01, 0.01), 'c')
#Generate fuzzy membership functions
#a
a['l'] = fuzz.trapmf(a.universe, [0.0, 0.0, 3.0, 6.0])
a['m'] = fuzz.trapmf(a.universe,[3.0, 6.0, 16.0, 24.0])
a['h'] = fuzz.trapmf(a.universe, [16.0, 24.0, 30.0, 45.0])
a['e'] = fuzz.trapmf(a.universe, [30.0, 45.0, 70.0, 70.0])
#b
b['l'] = fuzz.trapmf(b.universe, [0, 0, 0.01, 0.02])
b['m'] = fuzz.trapmf(b.universe,[0.01, 0.02, 0.03, 0.05])
b['h'] = fuzz.trapmf(b.universe, [0.03, 0.05, 0.10, 0.12])
b['e'] = fuzz.trapmf(b.universe, [0.10, 0.12, 6.00, 6.00])
#c
c['l'] = fuzz.trapmf(c.universe, [0, 0, 0.01, 0.02])
c['m'] = fuzz.trapmf(c.universe,[0.01, 0.02, 0.04, 0.05])
c['h'] = fuzz.trapmf(c.universe, [0.04, 0.05, 0.10, 0.20])
c['e'] = fuzz.trapmf(c.universe, [0.10, 0.20, 12.00, 12.00])
#FUZZY RULES
rule1 = ctrl.Rule(a['l'] & b['l'], c['l'])
rule2 = ctrl.Rule(a['l'] & b['m'], c['m'])
rule3 = ctrl.Rule(a['l'] & b['h'], c['h'])
rule4 = ctrl.Rule(a['m'] & b['l'], c['m'])
rule5 = ctrl.Rule(a['m'] & b['m'], c['m'])
rule6 = ctrl.Rule(a['m'] & b['h'], c['h'])
rule7 = ctrl.Rule(a['h'] & b['l'], c['h'])
rule8 = ctrl.Rule(a['h'] & b['m'], c['h'])
rule9 = ctrl.Rule(a['h'] & b['h'], c['e'])
rule10 = ctrl.Rule(a['e'], c['e'])
rule11 = ctrl.Rule(b['e'], c['e'])
#CONTROL SYSTEM
c_ctrl = ctrl.ControlSystem([rule1, rule2, rule3, rule4, rule5, rule6,
rule7, rule8, rule9, rule10, rule11])
c_simulation = ctrl.ControlSystemSimulation(c_ctrl)
c_simulation.input['a'] = s
c_simulation.input['b'] = r
c_simulation.compute()
value = c_simulation.output['c']
return value
#Fake data
s_data = np.random.RandomState(1234567890)
s_data = s_data.randint(0, 70, size=600000)
r_data = np.random.random_sample(600000)
vec1 = s_data.flatten().astype('float')
vec2 = r_data.flatten().astype('float')
#pre allocate output array
cert = np.zeros(np.shape(vec1))*np.nan
#Find index of all finite elements of the array
ind = np.where(np.isfinite(vec1))[0]
# classify
for k in xrange(len(ind)):
cert[ind[k]] = FIS(vec1[ind[k]], vec2[ind[k]])
Мои расчеты принимают более 10 + часы для завершения. Как выполнить эти вычисления без цикла for? В идеале я бы искал решение numpy
, но я открыт для альтернативных решений.
Так вы звоните 'FIS' тысячи раз? Что занимает время в «FIS»? 2/3 этой функции - это настройка, которая может выполняться только один раз. Я понятия не имею, что делает 'simulation.compute'. В любом случае, я предполагаю, что вам следует беспокоиться о времени, затрачиваемом на каждый вызов FIS, а не беспокоиться о механизме цикла. – hpaulj
Это, безусловно, похоже на все выше. 'C_simulation.input ['a'] = s' в FIS не должно находиться в этом цикле ... вы перекомпоновываете все это' len (ind) 'раз. – TemporalWolf
Хорошая точка. Я вынул то, что вы предлагали за пределами цикла for, но по-прежнему имеет ту же проблему. Проблема в том, что необходимо выполнить 600 000 вычислений. – brainier7