Phenquestions
¿Cuál es la diferencia entre matrices y matrices??
Algunas personas buscan soluciones matriciales para problemas de matrices, entonces, ¿cuál es la diferencia?? La gran diferencia es que los valores de la matriz son números, una matriz puede contener otra información, incluso cadenas. Las matrices pueden representar ecuaciones, aquí es donde la mayoría de los desarrolladores las necesitan, al menos en el caso de reemplazar NumPy.
¿Cómo se hace un cálculo matricial??
Las operaciones matriciales estándar son simples de hacer, al agregar solo agregue los elementos, al multiplicar puede usar un escalar para cada elemento y así sucesivamente.
La multiplicación es un poco más compleja pero muy poco. Lo que lo hace pesado es que necesita hacer muchos cálculos para cada solución, aquí es donde entra en juego el rendimiento. Dado que la mayoría de los cálculos no dependen unos de otros, estos cálculos son excelentes candidatos para el cálculo paralelo. Las GPU están diseñadas para este tipo de cálculos y están diseñadas para agregarse fácilmente a los sistemas de escritorio.
Cuando necesita hacer cálculos matriciales en Python, la primera solución que encuentra es numPy. Sin embargo, NumPy no siempre es el sistema más eficiente para calcular muchas matrices.
Esta publicación cubrirá las opciones que tiene en Python.
Cuando necesite alternativas, comience por buscar más detenidamente para qué necesita operaciones matriciales. Es posible que su instalación actual ya tenga su propia implementación o esté usando una biblioteca subyacente. Un ejemplo es el aprendizaje automático, donde la necesidad de operaciones matriciales es primordial. TensorFlow tiene su propia biblioteca para operaciones matriciales. Asegúrese de conocer su biblioteca actual.
Sin embargo, en muchos casos, necesita una solución que funcione para usted. Tal vez haya limitaciones en NumPy, algunas bibliotecas son más rápidas que NumPy y están hechas especialmente para matrices. Muchas veces, los desarrolladores quieren acelerar su código para comenzar a buscar alternativas. Una razón es que NumPy no se puede ejecutar en GPU.
Si bien esta publicación trata sobre alternativas a NumPy, una biblioteca construida sobre NumPy, se debe mencionar la Biblioteca Theano. La biblioteca Theano está estrechamente integrada con NumPy y permite una matriz compatible con GPU. Theano es una biblioteca más grande para el aprendizaje automático, pero solo puede extraer las funciones de matriz.
Para obtener una explicación más detallada del uso de Theano, consulte esta página: http: // www.Marekrei.com / blog / theano-tutorial /
SpPy es una biblioteca específicamente para matrices dispersas, aún se puede usar para matrices. Una matriz dispersa, por cierto, es una matriz que tiene muchos valores cero en ellos. Esta biblioteca es pequeña y eficiente pero un poco limitada debido a su especialización. También usa NumPy pero es más eficiente que solo NumPy.
https: // pythonhosted.org / sppy /
Eigen es una implementación eficiente de matrices, para usarlo en Python necesitas miniEigen, disponible en https: // pypi.org / pypi / minieigen. Eigen está incluido en muchas otras soluciones. Actúa como la biblioteca de matriz genérica para módulos y marcos más especializados. Esta biblioteca tiene muchos módulos para la manipulación de matrices densas y matrices. También es compatible con álgebra lineal, descomposición y álgebra lineal dispersa. El paquete también tiene una función de complemento para que pueda agregar sus propios módulos.
Para usar Eigen, instálelo con pip e impórtelo en su código.
PyTorch es una biblioteca para Machine Learning, por eso tiene operaciones matriciales. Importar toda la biblioteca es excesivo si solo desea hacer unos pocos cálculos. Sin embargo, si recién está comenzando con un proyecto de aprendizaje automático, asegúrese de decidir si este es para usted.
Otra alternativa es buscar cualquier biblioteca C y usarla. Para que esto sea posible, existe una solución llamada cffi que creará la interfaz para usted. Esta solución requiere que ya conozca C y que cree un contenedor para cada función que necesite. El código se verá confuso y difícil de leer, pero esto puede valer la pena dependiendo de su proyecto.
Si solo desea acelerar todas las funciones numéricas y de matriz, puede usar numba en su lugar. Numba es un compilador de Python. Cuando lo use, el compilador creará código binario 'justo a tiempo', jit. La idea de jit se usa más comúnmente con Java pero es muy útil para matemáticas pesadas en Python. Dado que se interpreta Python, puede tener problemas de rendimiento con matemáticas pesadas, numba se encarga de esto compilando en la CPU o GPU a su elección.
También hay funciones de computación paralela disponibles, de manera predeterminada, el compilador se ejecuta con un bloqueo que detiene la ejecución de muchos subprocesos al mismo tiempo. Puede desactivar esto con una bandera siempre que sea consciente de los problemas potenciales asociados con la programación paralela.
Conclusión
Muchas veces, cuando comienzas a programar en Python u otros lenguajes, te encuentras con limitaciones del lenguaje, el compilador o algo más. Cuando se encuentre en esta situación, debe detenerse y pensar en la limitación que tiene y considerar cuántos otros pueden haber tenido la misma situación. En el caso de Python y NumPy, muchos científicos y desarrolladores han escrito código que necesita una ejecución rápida. Este legado ha creado una gran cantidad de ramas que pueden resolver su problema sin obligarlo a cambiar de idioma o escribir una nueva extensión para este idioma en particular.
