Python fmin too slow

Question

我在x_data中有一个3x2000 numpy数组，在y_data中有个1x2000 numpy阵列，我把它传递给这个函数回归，给我一条回归线。它运行良好。问题是，我正在尝试做一些回溯测试，要测试1000种情况，我必须倒退1000次，大约需要5分钟才能运行。

我试着将变量标准化，但似乎并没有让它更快。

我还试了一下fmin_powell和fmin_bfgs，它们似乎打破了它。

有什么想法吗？谢谢

def regress(x_data, y_data, fg_spread, fg_line):
    theta = np.matrix(np.ones((1,x_data.shape[0]))*.11)
    hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))
    cost_hyp = lambda theta, x, y: ((np.multiply(-y,np.log10(hyp(theta,x)))) - 
                            (np.multiply((1-y),(np.log10(1-hyp(theta, x)))))).sum()
    theta = scipy.optimize.fmin(cost_hyp, theta, args=(x_data,y_data), xtol=.00001, disp=0)
    return hyp(np.matrix(theta),np.matrix([1,fg_spread, fg_line]).reshape(3,1))

Answer 1

使用numexpr使您的hyp和cost_hyp计算更快地进行评估。fmin函数族为不同的条目多次计算这些函数。因此，这些函数的任何增益都直接报告在最小化中。

例如，您可以替换：

hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))

发件人：

hyp = lambda theta, x: numexpr.evaluate("1 / (1 + exp(-(theta*x)))")

Numexpr是用来处理numpy数组的。