質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.91%

numpyまたはpytorchにおける二次元配列の要素取り出しを高速化したい

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 189

nouken

score 349

deep learningの損失関数の計算の部分で十分に高速化できず、結果として学習自体が低速になり困っています。

以下に例として示すように

import numpy as np

N = 7000
arr = np.arange(N * N).reshape(N, N)   

M = 1500000    
indices = (np.random.randint(0, high=N, size=M).tolist(), np.random.randint(0, high=N, size=M).tolist())       


で得られる7000x7000のnp.arrayとその(row, col)から要素を取り出すためのindexが1500000くらいの長さであります。indicesはtupleで一つ目の要素がrow方向のindexを含むlist, 二つ目の要素がcol方向のindexを含むlistになっています。numpyのfancy indexingを用いることで一気に要素にアクセスすることで高速化を測っています。

調べてみたところボトルネックになっているのは以下の部分です

selected = arr[indices]                                                                                             


つまり上記のarrからindicesで要素を取り出す部分です。自分の環境では大体300msほどかかっており
これが学習時のlossの計算ごとに走るので1epochあたり30minほどかかってしまっています。

理想としては10倍ほど高速化したいのですが、何かより良い方法はありますでしょうか?

このまま高速化する方法でも、そもそも設計を見直す方向でも構いませんのでどうぞよろしくお願いします。

なお、pytorchはfancy indexをサポートしていないということでしたので実際にはnp.arrayで要素アクセスし、その後GPU上でtensorを作るような処理をしています。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+1

pytorchはfancy indexをサポートしていないということでしたので

サポートしています。
遅いのは、一旦 numpy に戻した上に、インデックスが tolist() で Python のリストにして処理しているからだと思います。

numpy でできることは、基本的に Pytorch でできるので、例えば arange() なども numpy.arange() ではなく、`torch.arange(..., device="cuda") のように最初から GPU 上に作りましょう。

Pytorch - numpy、Pytroch の関数対応表 - pystyle

サンプルコード

Jupyter Notebook の %timeit で一回あたりの時間を以下の GPU で試してみました。

  • GTX 1080: 1.23 ms
  • GTX 2080: 700 µs
  • Core i7-6700K @ 4.00GHz (index が numpy): 27.5 ms
  • Core i7-6700K @ 4.00GHz (index が list): 442 ms

インデックスにリストを使うなど配列処理に Python のオブジェクトが混じってしまうと、Cで最適化された numpy のコードではなく、Python のコードを実行することになるので、かなり遅くなります。

おおよそ

  • GPU は CPU より数十倍早い
  • C言語は Python より100倍ぐらい早い

Python - コードの実行時間を計測する方法 - pystyle

Pytorch の計測コード

import torch

N = 7000
M = 1500000

A = torch.randn(N, N, device="cuda")
I = torch.randint(high=N, size=(M,), device="cuda")
J = torch.randint(high=N, size=(M,), device="cuda")

print(A.shape, I.shape, J.shape)
# torch.Size([7000, 7000]) torch.Size([1500000]) torch.Size([1500000])

%timeit A[I, J]
# GTX 1080: 1.23 ms ± 154 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
# GTX 2080: 700 µs ± 68.1 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

CPU (index が numpy) の計測コード

import numpy as np

N = 7000
M = 1500000

A = np.random.randn(N, N)
I = np.random.randint(0, N, size=M)
J = np.random.randint(0, N, size=M)

print(A.shape, I.shape, J.shape)
# torch.Size([7000, 7000]) torch.Size([1500000]) torch.Size([1500000])

%timeit -n100 A[I, J]
# 27.5 ms ± 57.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

CPU (index が list) の計測コード

import numpy as np

N = 7000
M = 1500000

A = np.random.randn(N, N)
I = np.random.randint(0, N, size=M).tolist()
J = np.random.randint(0, N, size=M).tolist()

print(A.shape, len(I), len(J))
# torch.Size([7000, 7000]) torch.Size([1500000]) torch.Size([1500000])

%timeit -n1 A[I, J]
# 442 ms ± 2.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2020/07/22 13:26

    無事高速になりました。fancy indexingについては参考にしたpytorch forumが古い、または誤っていたようです。次回からできるだけPytorchでGPU上に作って処理していこうとおもいます。助かりました、ありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.91%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る