ベクタライズ分（）行列

Question

のために、私は、次のループベクトル化するために願っています：

for (i in 1:n) { 
    for (j in 1:m) { 
     temp_mat[i,j]=min(temp_mat[i,j],1); 
    } 
} 

を私はtemp_mat=min(temp_mat,1)を行うことができると思ったが、これは私の望ましい結果を与えていません。はるかに高速にするために、このループをベクトル化する方法はありますか？

Answer 1

temp_mat <- pmin(temp_mat, 1)を使用してください。パラレルミニマムの詳細については、?pminを参照してください。

例：あなたは計算科学のバックグラウンドを持っているので

set.seed(0); A <- matrix(sample(1:3, 25, replace = T), 5) 
#> A 
#  [,1] [,2] [,3] [,4] [,5] 
#[1,] 3 1 1 3 3 
#[2,] 1 3 1 2 3 
#[3,] 2 3 1 3 1 
#[4,] 2 2 3 3 2 
#[5,] 3 2 2 2 1 
B <- pmin(A, 2) 
#> B 
#  [,1] [,2] [,3] [,4] [,5] 
#[1,] 2 1 1 2 2 
#[2,] 1 2 1 2 2 
#[3,] 2 2 1 2 1 
#[4,] 2 2 2 2 2 
#[5,] 2 2 2 2 1 

---

更新

、私はより多くの情報を提供したいと思います。

pminは高速ですが、高性能ではありません。接頭辞「parallel」はelement-wiseを示唆しています。 Rの「ベクトル化」の意味は、HPCの「SIMDベクトル化」と同じではありません。 Rは解釈言語なので、Rの「ベクトル化」は、RレベルループではなくCレベルループを選択することを意味します。したがって、pminはちょっとしたCループでコーディングされています。

実際の高性能コンピューティングでは、SIMDのベクトル化が役立ちます。私はあなたがSSE/AVX組み込み関数を知っていると信じています。だから、のコードを書いてからSSE2を入力すると、pminから2倍のスピードアップが得られます。 AVXの_mm256_min_pdが表示されている場合、pminから〜4倍のスピードアップが得られます。

残念ながら、R自体はSIMDを実行できません。この問題に関しては、Does R leverage SIMD when doing vectorized calculations?の投稿への回答があります。ご質問の場合、HPC BLASにRをリンクしてもpminにはBLAS操作が含まれていないため、pminはSIMDの恩恵を受けません。コンパイルされたコードを自分で書く方が良いでしょう。

Answer 2

min()はがベクトル化されているため、少し混乱します。この特定の場合に望ましい結果を得るためには、この関数を使う必要はありません。 論理サブセットは、おそらくより効率的な（そしてもっとコンパクトな）代替手段を提供します。

私が正しくあなたの所望の出力を理解している場合、あなたのコード内でネストされたループを実行した場合と同様に、マトリックスの変更は、単一のコマンドで実現することができるに：

temp_mat[temp_mat > 1] <- 1 

は、この情報がお役に立てば幸いです。

---

set.seed(123) 
temp_mat <- matrix(2*runif(50),10) 
#> temp_mat 
#   [,1]  [,2]  [,3]  [,4]  [,5] 
# [1,] 0.5751550 1.91366669 1.7790786 1.92604847 0.2856000 
# [2,] 1.5766103 0.90666831 1.3856068 1.80459809 0.8290927 
# [3,] 0.8179538 1.35514127 1.2810136 1.38141056 0.8274487 
# [4,] 1.7660348 1.14526680 1.9885396 1.59093484 0.7376909 
# [5,] 1.8809346 0.20584937 1.3114116 0.04922737 0.3048895 
# [6,] 0.0911130 1.79964994 1.4170609 0.95559194 0.2776121 
# [7,] 1.0562110 0.49217547 1.0881320 1.51691908 0.4660682 
# [8,] 1.7848381 0.08411907 1.1882840 0.43281587 0.9319249 
# [9,] 1.1028700 0.65584144 0.5783195 0.63636202 0.5319453 
#[10,] 0.9132295 1.90900730 0.2942273 0.46325157 1.7156554 
temp_mat[temp_mat > 1] <- 1 
#> temp_mat 
#   [,1]  [,2]  [,3]  [,4]  [,5] 
# [1,] 0.5751550 1.00000000 1.0000000 1.00000000 0.2856000 
# [2,] 1.0000000 0.90666831 1.0000000 1.00000000 0.8290927 
# [3,] 0.8179538 1.00000000 1.0000000 1.00000000 0.8274487 
# [4,] 1.0000000 1.00000000 1.0000000 1.00000000 0.7376909 
# [5,] 1.0000000 0.20584937 1.0000000 0.04922737 0.3048895 
# [6,] 0.0911130 1.00000000 1.0000000 0.95559194 0.2776121 
# [7,] 1.0000000 0.49217547 1.0000000 1.00000000 0.4660682 
# [8,] 1.0000000 0.08411907 1.0000000 0.43281587 0.9319249 
# [9,] 1.0000000 0.65584144 0.5783195 0.63636202 0.5319453 
#[10,] 0.9132295 1.00000000 0.2942273 0.46325157 1.0000000