优化计算相似度矩阵
作者:互联网
任务:现有特征矩阵X∈RN×F,N为样本个数,F为特征大小,需要计算相似度矩阵A,Aij=Aji为第i个样本和第j个样本的相似度,利用欧式距离求解两个样本间的距离:
Aij=Aji=f=1∑F(Xif−Xjf)2
未优化的双重循环写法
def dobule_loop(X):
N = len(X)
A = numpy.zeros((N, N))
for i in range(N):
for j in range(i+1, N):
A[j][i] = A[i][j] = numpy.sum(numpy.square(X[i]-X[j]))
return A
优化写法
去掉第二个循环,使用批量计算,例如第i个样本需要和i+1到N的样本计算欧式距离,则将i+1到N个样本取出与第i个样本批量计算
def optimize_loop(X):
N = len(X)
A = numpy.zeros((N, N))
for i in range(N):
deta = numpy.sum(numpy.square(X[i]-X[i+1:N]), axis=1)
A[i, i+1: N] = deta
A[i+1:, i] = deta
return A
时间上,后者比前者高效,例如当X的维度是(4000,3)时,前者时间为43.92秒,而后者只需0.56秒。
标签:deta,numpy,sum,样本,矩阵,Aji,相似,Aij,优化 来源: https://blog.csdn.net/weixin_43486780/article/details/104811360