r语言 - 在C++中使用 RCPP 的 NumericMatrix 循环是否是一个好的理想？

r - Is it a good ideal to use loops for Rcpp's NumericMatrix in C++?

本文关键字：是否是 理想 一个 循环 NumericMatrix 语言 C++ RCPP      更新时间：2023-10-16

我想使用Rcpp::NumericMatrix作为C++函数的参数类型，该函数将循环通过它。我现在应该将Rcpp::NumericMatrix的全部内容复制到C样式数组中以获得良好的性能吗？还是在C++循环中多次使用Rcpp::NumericMatrix的[]运算符也很快？有没有比使用随机访问来循环通过Rcpp::NumericMatrix实例更快的方法？

由于这是一个相当悠闲的日子，我无法快速找到这方面的基准（Rcpp Sugar第4节待定，第6节待定）。。。我的好奇心。。。让我们试一试吧！

首先，要访问NumericMatrix的c样式数组，我们首先需要将NumericMatrix转换为std::vector。从std::vector中，我们可以提取一个由指针控制的c-样式数组。在这种结构下，我们正在完全复制数据。尽管如此，我们可以先调查所提出的问题，然后再调查一些问题。

下面是一套快速测试功能，主要针对四个不同的组件：

  1. c样式数组
  2. std::accumulate
  3. 循环std::vector
  4. 使用NumericMatrix进行元素访问

现在，我在纯c-样式函数中进行了"欺骗"，因为我没有尝试通过sizeof()计算从自身计算数组的大小。（这可能会导致一些问题，因为指针大小会被给定…）

让我们来看看函数的测试套件。

#include <Rcpp.h>
// [[Rcpp::export]]
double c_for_access(const Rcpp::NumericMatrix& x){
  // Cast to std vector
  std::vector<double> v = Rcpp::as<std::vector<double> >(x);
  // Convert to c-style pointer
  double* pv = &v[0];
  // Sum using a pointer
  double sum = 0;
  for(unsigned int i = 0; i < v.size(); i++){
    sum += *(pv+i);  
  }
  return sum;
}
// [[Rcpp::export]]
double stl_for_access(const Rcpp::NumericMatrix& x){
  // Cast to std vector
  std::vector<double> v = Rcpp::as<std::vector<double> >(x);
  // Summing Operation
  double sum = 0;
  for(unsigned int i = 0; i < v.size(); i++){
    sum +=  v[i];
  }
  return sum;
}
// [[Rcpp::export]]
double stl_access(const Rcpp::NumericMatrix& x){
  // Cast to STL Vector
  std::vector<double> v = Rcpp::as<std::vector<double> >(x);
  // Use STL to return sum
  return std::accumulate(v.begin(), v.end(), 0.0); // Important to specify 0.0 instead of 0. 
}

// [[Rcpp::export]]
double matrix_access(const Rcpp::NumericMatrix& x) {
  // Define matrix information and looping variables.
  unsigned int r = x.nrow(), c = x.ncol(), i, j;
  // Sum elements
  double sum = 0;
  for(i = 0; i < r; i++){
    for(j = 0; j < c; j++){
      sum += x(i,j);
    }
  }
  return sum;
}

现在，让我们生成一些数据：

# Set seed for reproducibility
set.seed(1337)
# Create a 100x100 matrix
x = matrix(rnorm(10000),nrow=100,ncol=100)

接下来，我们计算并检查每个对象的总和，以确保它们都相等：

# Calculate each object
oracle = sum(x)     # Oracle is the correct answer given by R
c.out = c_for_access(x)
stl.loop = stl_for_access(x)
stl.lib = stl_access(x)
rcpp.pure = matrix_access(x)
# Check all equal
all.equal(oracle, c.out)
all.equal(oracle, stl.loop)
all.equal(oracle, stl.lib)
all.equal(oracle, rcpp.pure)

最后，我们在每个函数上运行微基准标记：

# install.packages("microbenchmark")
microbenchmark::microbenchmark(oracle = sum(x),
               c.out = c_for_access(x),
               stl.loop = stl_for_access(x),
               stl.lib = stl_access(x),
               rcpp.pure = matrix_access(x)
)

从微基准点来看，我们有：

Unit: microseconds
      expr    min     lq     mean  median      uq    max neval
    oracle  8.105  8.705  9.11406  8.7060  9.0060 24.016   100
     c.out 30.319 31.220 31.75767 31.2210 31.5210 54.636   100
  stl.loop 30.320 30.921 32.56819 31.2210 31.5210 55.836   100
   stl.lib 30.319 30.920 31.64063 31.2205 31.6705 50.133   100
 rcpp.pure  9.907 10.807 10.95122 10.8070 11.1070 12.909   100

因此，通过Rcpp的矩阵求和比R慢约2微秒，但比std::vector和c型阵列设置快得多。

Q.E.D？

相关文章：