建立稀疏矩阵的十字链表算法,稀疏矩阵十字链表加法

　　编辑：看到这个问题。在那里，我们学习了如何使用Numba在Python上并行化稀疏矩阵向量乘法，Numba可以与Matlab交互。在

　　原标题：

　　Matlab发现稀疏矩阵的向量乘法比python(使用scipy稀疏矩阵)快4到5倍。以下是来自Matlab命令行的详细信息。谁是A

　　名称大小字节类属性

　　47166 x 113954610732376双精度空间

　　谁是ATrans

　　名称大小字节类属性

　　Trans 113954x47166610198072双精度间隔

　　NZ(a )/numel(A ) (a)).

　　ans=

　　0.0071

　　谁是x

　　名称大小字节类属性

　　X 113954 x1 911632双精度

　　my fun=@(a * x；时间(myfun))。

　　ans=

　　0.0601

　　my fun=@(atrans * x；时间(myfun))。

　　ans=

　　0.0120

　　矩阵ATrans是.请注意，在Matlab中，A乘以X大约需要0.06秒，但是，如果我用奇怪的“转置技术”来计算ATrans的X次(与A乘以X的结果相同)，计算需要0.012秒。不知道这一招为什么管用。)

　　下面是Python命令行的一些计时结果。

　　^{pr2}$

　　所以Python运行时同样的矩阵A乘以X所需的时间是Matlab运行时的4.5倍左右。如果我保存一个csr格式的，Python运行时会稍微差一点。在[ 63 ]中：a=sp.sparse.CSR _ matrix (a).

　　in[64]:timeit.timeit(a.dot ) x)、setup=from __main__ import A，x 、number=100 )/100.0。

　　Out[64]:

　　0.0722580226496575

　　以下是我使用的python版本和anaconda版本的信息。In [2]:导入sys；print(python%son%s ) sys.version，sys.platform)))).

　　python 2 . 7 . 12 anacond 4 . 2 . 0(64位)((默认，292016，11336007336013)[mscv . 150064 bit]amd64).

　　问：为什么Matlab中这种稀疏矩阵的向量乘法比Python快？如何在Python上实现同样的速度？

　　1:这里有个线索。在Python中，如果线程数设置为1，那么在执行密集矩阵向量乘法时会受到很大影响，而在执行稀疏矩阵向量乘法时几乎不会改变。在[48]中：m=NP.random.rand (1000 1000，1000)

　　在[ 49 ] : y=NP.random.rand (1000，1)))).) ) ) ) )。

　　在[50]:导入mkl

　　In[51]: mkl.get_max_threads(

　　Out[51]:

　　in [ 52 ] : time it.time it (m.dot (y)，setup=from __main__ import M，y ，number=100 )/100.0。

　　Out[52]:

　　7.2574948 e-05

　　in [ 53 ] : mkl.set _ num _ threads (1).

　　in [ 54 ] : time it.time it (m.dot (y)，setup=from __main__ import M，y ，number=100 )/100.0。

　　Out[54]:

　　0.00044465965093536396

　　在[56]:类型(a))

　　Out[56]:

　　scipy.sparse.csc.csc_matrix

　　in[57]:timeit.timeit(a.dot ) x)、setup=from __main__ import A，x 、number=100 )/100.0。

　　Out[57]:

　　0.055780856886028685

　　in [ 58 ] : mkl.set _ num _ threads (20)).

　　in[59]:timeit.timeit(a.dot ) x)、setup=from __main__ import A，x 、number=100 )/100.0。

　　Out[59]:

　　0.05550840215802509

　　因此，关于密集矩阵的叉积，如果线程数设置为1，运行时将减少约6倍。但是，关于疏散的叉积，即使线程数减少到1，运行时也不会改变。在

　　我觉得这说明了Python中稀疏矩阵向量乘法不是并行执行的，密集矩阵向量乘法利用了所有可用的核。你同意这个结论吗？如果有，有没有办法用Python中所有可用的核来乘稀疏矩阵向量？在

　　2.编辑：

　　这里阅读MKL:“对于稀疏矩阵，除了稀疏三角形解算器之外，所有级别的[BLAS]操作都是线程化的。”这表明scipy没有使用MKL来执行稀疏矩阵向量乘法。@hpaulj通过查看函数csr_matvec的代码(在下面的回答中)似乎印证了这个结论。那么，你能直接调用“英特尔MKL稀疏矩阵向量乘法”函数吗？我该怎么办？在

　　编辑：这是另一个证据。如果将最大线程数设置为1，当执行Matlab稀疏矩阵的向量乘法时，似乎没有变化。在maxNumCompThreads中

　　ans=

　　my fun=@(atrans * x；时间(myfun))。

　　ans=

　　0.012545604076342

　　maxnumcompthreads(1) %将线程数设置为一

　　ans=

　　maxnumcompthreads %检查maxnumberofthreads是否为1

　　ans=

　　一

　　我的乐趣=@(atrans * x；时间它(myfun)。

　　ans=