在 R 循环中加速 Rcpp 评估

Question

众所周知，Rcpp 中的实现通常比 R 中的实现快得多。我感兴趣的是是否有良好的实践来加速 具有的 Rcpp 函数的单一评估在 R 循环中进行评估.

考虑以下示例，我在 Rcpp 中使用了一个简单的多元正态生成函数：

#include <RcppArmadillo.h>

// [[Rcpp::depends(RcppArmadillo)]]

using namespace arma; 
using namespace Rcpp;

// [[Rcpp::export]]
mat mvrnormArma(int n, mat sigma) {
   int ncols = sigma.n_cols;
   mat Y = randn(n, ncols);
   return Y * chol(sigma);
}

假设目标是使用以下两个函数生成 10,000 个 10 维多元正态变量：

PureRcpp = function(n){mvrnormArma(n, diag(10))}
LoopRcpp = function(n){for(ii in 1:n){mvrnormArma(1, diag(10))}}

这里，PureRcpp当然是更可取且更快的解决方案。但是，在某些应用程序中，可能需要在 R 循环中依赖 mvrnormArma 的单个评估。这是 LoopRcpp 中采用的方法，这肯定是较慢的解决方案。然而，当我对这些进行基准测试并看到第二个解决方案实际上有多慢时，我有点惊讶：

> microbenchmark::microbenchmark(PureRcpp(10000), LoopRcpp(10000))
Unit: milliseconds
            expr       min        lq      mean    median        uq      max neval cld
 PureRcpp(10000)  2.236624  2.365988  2.578869  2.435268  2.565488 10.79609   100  a 
 LoopRcpp(10000) 52.590143 53.315655 58.080897 55.406020 62.264711 80.96275   100   b

当我们必须在 R 循环中工作时，这种巨大的减速是否只是我们必须忍受的事情，或者是否有可能减少由于循环导致的开销？我知道我们可以用 C++ 重写所有内容，但目标是尽可能提供快速的“'Rcpp within R loop'”解决方案。

Answer 1

正如罗兰指出的那样，这主要是由于函数调用。但是，您可以通过 optimising/adapting 您的代码来节省一些时间（并获得更准确的比较）。

通过引用传递给 Cpp 函数
不要在循环中创建对角线
在单个调度中使用矢量
绘制矢量化随机数

// [[Rcpp::export]]
mat draw_randn(int n, int ncols) {
  mat Y = randn(n, ncols);
  return(Y);
}
// [[Rcpp::export]]
mat mvrnormArma(mat sigma, mat Y) {
  return Y * chol(sigma);
}
// [[Rcpp::export]]
mat mvrnormArma_loop(mat& sigma, rowvec& Y) {
  return Y * chol(sigma);
}

并对其进行基准测试。

PureRcpp = function(n) {
  Y <- draw_randn(n, 10)
  I <- diag(10)
  mvrnormArma(I, Y)
}
LoopRcpp = function(n) {
  Y <- draw_randn(n, 10)
  I <- diag(10)
  for(ii in 1:n) {mvrnormArma_loop(I, Y[ii, ])}
}

对我来说减少了大约 10 毫秒。

在 R 循环中加速 Rcpp 评估

Speed up Rcpp evaluations within R loop

loops

r

rcpp