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

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

Python
1import numpy as np
2
3N = 7000
4arr = np.arange(N * N).reshape(N, N)   
5
6M = 1500000    
7indices = (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

Python
1selected = 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。

行動規範の内容に同意します

回答1件

ベストアンサー

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

python
1import torch
2
3N = 7000
4M = 1500000
5
6A = torch.randn(N, N, device="cuda")
7I = torch.randint(high=N, size=(M,), device="cuda")
8J = torch.randint(high=N, size=(M,), device="cuda")
9
10print(A.shape, I.shape, J.shape)
11# torch.Size([7000, 7000]) torch.Size([1500000]) torch.Size([1500000])
12
13%timeit A[I, J]
14# GTX 1080: 1.23 ms ± 154 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
15# 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

python
1import numpy as np
2
3N = 7000
4M = 1500000
5
6A = np.random.randn(N, N)
7I = np.random.randint(0, N, size=M).tolist()
8J = np.random.randint(0, N, size=M).tolist()
9
10print(A.shape, len(I), len(J))
11# torch.Size([7000, 7000]) torch.Size([1500000]) torch.Size([1500000])
12
13%timeit -n1 A[I, J]
14# 442 ms ± 2.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)