Потребление памяти функцией NumPy для стандартного отклонения
В настоящее время я использую привязки Python GDAL для работы с довольно большими наборами растровых данных (> 4 ГБ). Поскольку загрузка их в память для меня нереально, я читаю их в меньшие блоки и выполняю вычисления по частям. Чтобы избежать нового выделения для каждого прочитанного блока, я используюbuf_obj
аргумент (Вот) для чтения значений в предварительно выделенный массив NumPy. В какой-то момент мне нужно вычислить среднее и стандартное отклонение всего растра. Естественно я использовалnp.std
для расчета. Однако, профилируя потребление памяти моей программой, я понял, что при каждом вызовеnp.std
дополнительно выделяется и освобождается память.
Минимальный рабочий пример, который демонстрирует это поведение:
In [1] import numpy as np
In [2] a = np.random.rand(20e6) # Approx. 150 MiB of memory
In [3] %memit np.mean(a)
peak memory: 187.30 MiB, increment: 0.48 MiB
In [4] %memit np.std(a)
peak memory: 340.24 MiB, increment: 152.91 MiB
Поиск в дереве исходников NumPy на GitHub показал, чтоnp.std
Функция внутренне вызывает_var
функция от_methods.py
(Вот). В одной точке_var
вычисляет отклонения от среднего и суммирует их. Поэтому создается временная копия входного массива. Функция по существу вычисляет стандартное отклонение следующим образом:
mu = sum(arr) / len(arr)
tmp = arr - mu
tmp = tmp * tmp
sd = np.sum(tmp) / len(arr)
Хотя этот подход подходит для меньших входных массивов, он явно не подходит для больших массивов. Поскольку я использую меньшие блоки памяти, как упоминалось ранее, эта дополнительная копия не является проблемой с точки зрения памяти в моей программе. Однако, что меня беспокоит, так это то, что для каждого блока производится новое выделение и освобождается перед чтением следующего блока.
Есть ли какая-то другая функция в NumPy или SciPy, которая использует подход с постоянным потреблением памяти, такой как алгоритм Уэлфорда (Википедия) за один проход вычисление среднего значения и стандартного отклонения?
Другим способом было бы реализовать пользовательскую версию_var
функция с дополнительнымout
аргумент для предварительно выделенного буфера (например, NumPy ufuncs). При таком подходе дополнительная копия не будет исключена, но по крайней мере потребление памяти будет постоянным, а время выполнения для выделений в каждом блоке будет сохранено.
РЕДАКТИРОВАТЬ: Протестировал реализацию Cython алгоритма Уэлфорда, как это было предложено kezzos.
Реализация на Cython (модифицированная из kezzos):
cimport cython
cimport numpy as np
from libc.math cimport sqrt
@cython.boundscheck(False)
def iterative_approach(np.ndarray[np.float32_t, ndim=1] a):
cdef long n = 0
cdef float mean = 0
cdef float M2 = 0
cdef long i
cdef float delta
cdef float a_min = 10000000 # Must be set to Inf and -Inf for real cases
cdef float a_max = -10000000
for i in range(len(a)):
n += 1
delta = a[i] - mean
mean += delta / n
M2 += delta * (a[i] - mean)
if a[i] < a_min:
a_min = a[i]
if a[i] > a_max:
a_max = a[i]
return a_min, a_max, mean, sqrt(M2 / (n - 1))
Реализация NumPy (среднее и стандартное вычисление могут быть вычислены в одной функции):
def vector_approach(a):
return np.min(a), np.max(a), np.mean(a), np.std(a, ddof=1)
Результаты теста с использованием случайного набора данных (время в миллисекундах, лучше всего из 25):
----------------------------------
| Size | Iterative | Vector |
----------------------------------
| 1e2 | 0.00529 | 0.17149 |
| 1e3 | 0.02027 | 0.16856 |
| 1e4 | 0.17850 | 0.23069 |
| 1e5 | 1.93980 | 0.77727 |
| 1e6 | 18.78207 | 8.83245 |
| 1e7 | 180.04069 | 101.14722 |
| 1e8 | 1789.60228 | 1086.66737 |
----------------------------------
Кажется, что итеративный подход с использованием Cython быстрее с меньшими наборами данных и векторным подходом NumPy (возможно, с ускорением SIMD) для больших наборов данных с более чем 10000 элементами. Все тесты проводились на Python 2.7.9 и NumPy версии 1.9.2.
Обратите внимание, что в реальном случае функции верхнего уровня будут использоваться для вычисления статистики для одного блока растра. Стандартные отклонения и средства для всех блоков должны быть объединены с методологией, предложенной в Википедии (Вот). Преимущество состоит в том, что не все элементы растра необходимо суммировать, что позволяет избежать проблемы переполнения поплавка (по крайней мере, до некоторой точки).