在 python 中更快地实现 ReLu 导数?

Faster implementation for ReLu derivative in python?

我已经将 ReLu 导数实现为:

def relu_derivative(x):
     return (x>0)*np.ones(x.shape)

我也试过:

def relu_derivative(x):
   x[x>=0]=1
   x[x<0]=0
   return x

X 的大小=(3072,10000)。 但它需要很多时间来计算。还有其他优化方案吗?

方法 #1:使用 numexpr

在处理大数据时,如果预期的操作可以表示为算术运算,我们可以使用支持多核处理的numexpr module。在这里,一种方法是 -

(X>=0)+0

因此,要解决我们的问题,应该是 -

import numexpr as ne

ne.evaluate('(X>=0)+0')

方法 #2:使用 NumPy views

另一个技巧是使用 views 通过将比较掩码视为 int 数组,就像这样 -

(X>=0).view('i1')

在性能上,它应该与创建 X>=0 相同。

计时

比较随机数组上所有已发布的解决方案 -

In [14]: np.random.seed(0)
    ...: X = np.random.randn(3072,10000)

In [15]: # OP's soln-1
    ...: def relu_derivative_v1(x):
    ...:      return (x>0)*np.ones(x.shape)
    ...: 
    ...: # OP's soln-2     
    ...: def relu_derivative_v2(x):
    ...:    x[x>=0]=1
    ...:    x[x<0]=0
    ...:    return x

In [16]: %timeit ne.evaluate('(X>=0)+0')
10 loops, best of 3: 27.8 ms per loop

In [17]: %timeit (X>=0).view('i1')
100 loops, best of 3: 19.3 ms per loop

In [18]: %timeit relu_derivative_v1(X)
1 loop, best of 3: 269 ms per loop

In [19]: %timeit relu_derivative_v2(X)
1 loop, best of 3: 89.5 ms per loop

基于 numexpr 的线程有 8 个。因此,随着更多线程可用于计算,它应该会进一步改进。 关于如何控制多核功能。

方法#3:方法#1 + #2 -

将两者混合以获得最适合大型阵列的最佳方案 -

In [27]: np.random.seed(0)
    ...: X = np.random.randn(3072,10000)

In [28]: %timeit ne.evaluate('X>=0').view('i1')
100 loops, best of 3: 14.7 ms per loop