有没有办法矢量化这种动态时间扭曲算法？

Question

动态时间扭曲算法提供了两个速度可能变化的时间序列之间的距离概念。如果我有 N 个序列要相互比较，我可以通过成对应用该算法来构造一个具有核对角线的 NXN 对称矩阵。然而，对于长二维序列来说，这非常慢。因此，我尝试对代码进行矢量化以加速该矩阵计算。重要的是，我还想提取定义最佳对齐的索引。到目前为止我的成对比较代码：import mathimport numpy as npseq1 = np.random.randint(100, size=(100, 2)) #Two dim sequencesseq2 = np.random.randint(100, size=(100, 2))def seqdist(seq1, seq2):                      # dynamic time warping function    ns = len(seq1)    nt = len(seq2)    D = np.zeros((ns+1, nt+1))+math.inf    D[0, 0] = 0    cost = np.zeros((ns,nt))    for i in range(ns):       for j in range(nt):           cost[i,j] = np.linalg.norm(seq1[i,:]-seq2[j,:])          D[i+1, j+1] = cost[i,j]+min([D[i, j+1], D[i+1, j], D[i, j]])    d = D[ns,nt]                            # distance    matchidx = [[ns-1, nt-1]]              # backwards optimal alignment computation     i = ns    j = nt    for k in range(ns+nt+2):        idx = np.argmin([D[i-1, j], D[i, j-1], D[i-1, j-1]])        if idx == 0 and i > 1 and j > 0:           matchidx.append([i-2, j-1])           i -= 1        elif idx == 1 and i > 0 and j > 1:             matchidx.append([i-1, j-2])             j -= 1        elif idx == 2 and i > 1 and j > 1:             matchidx.append([i-2, j-2])             i -= 1             j -= 1        else:             break    matchidx.reverse()    return d, matchidx[d,matchidx] = seqdist(seq1,seq2) #try it

Answer 1

这是对代码的一种重写，使其更适合numba.jit. 这并不完全是矢量化解决方案，但我发现该基准测试速度提高了 230 倍。

from numba import jit

from scipy import spatial

@jit

def D_from_cost(cost, D):

  # operates on D inplace

  ns, nt = cost.shape

  for i in range(ns):

    for j in range(nt):

      D[i+1, j+1] = cost[i,j]+min(D[i, j+1], D[i+1, j], D[i, j])

      # avoiding the list creation inside mean enables better jit performance

      # D[i+1, j+1] = cost[i,j]+min([D[i, j+1], D[i+1, j], D[i, j]])

@jit

def get_d(D, matchidx):

  ns = D.shape[0] - 1

  nt = D.shape[1] - 1

  d = D[ns,nt]

  matchidx[0,0] = ns - 1

  matchidx[0,1] = nt - 1

  i = ns

  j = nt

  for k in range(1, ns+nt+3):

    idx = 0

    if not (D[i-1,j] <= D[i,j-1] and D[i-1,j] <= D[i-1,j-1]):

      if D[i,j-1] <= D[i-1,j-1]:

        idx = 1

      else:

        idx = 2

    if idx == 0 and i > 1 and j > 0:

      # matchidx.append([i-2, j-1])

      matchidx[k,0] = i - 2

      matchidx[k,1] = j - 1

      i -= 1

    elif idx == 1 and i > 0 and j > 1:

      # matchidx.append([i-1, j-2])

      matchidx[k,0] = i-1

      matchidx[k,1] = j-2

      j -= 1

    elif idx == 2 and i > 1 and j > 1:

      # matchidx.append([i-2, j-2])

      matchidx[k,0] = i-2

      matchidx[k,1] = j-2

      i -= 1

      j -= 1

    else:

      break

  return d, matchidx[:k]

def seqdist2(seq1, seq2):

  ns = len(seq1)

  nt = len(seq2)

  cost = spatial.distance_matrix(seq1, seq2)

  # initialize and update D

  D = np.full((ns+1, nt+1), np.inf)

  D[0, 0] = 0

  D_from_cost(cost, D)

  matchidx = np.zeros((ns+nt+2,2), dtype=np.int)

  d, matchidx = get_d(D, matchidx)

  return d, matchidx[::-1].tolist()

assert seqdist2(seq1, seq2) == seqdist(seq1, seq2)

%timeit seqdist2(seq1, seq2) # 1000 loops, best of 3: 365 µs per loop

%timeit seqdist(seq1, seq2)  # 10 loops, best of 3: 86.1 ms per loop

以下是一些变化：

1. cost是使用 计算的spatial.distance_matrix。

2. 的定义idx被一堆丑陋的 if 语句取代，这使得编译的代码更快。

3. min([D[i, j+1], D[i+1, j], D[i, j]])替换为min(D[i, j+1], D[i+1, j], D[i, j])，即我们不取列表的最小值，而是取三个值的最小值。这导致了令人惊讶的加速jit。

4. matchidx被预先分配为 numpy 数组，并在输出之前截断为正确的大小。