我正在计算两个矩阵的乘积，比如A=B×C。但我只关心A中的一些元素，而不是全部。例如，如果E_ij > 0，则需要计算A_ij。是否有任何相关的C/C++或Python库来完成这项任务。
我不能计算出A中的所有元素，因为我必须在更短的时间内计算。任何帮助都很感激。
你试了什么？
特征值：（E > 0）.选择（B*C），非常慢.
for循环：ret = B * C
#pragma omp parallel for
for (int i = 0; i < B.rows(); i++){
vector<int> cal_ind;
for (int j = 0; j < C.columns(); j++){
if (E(i, j) > 0){
cal_ind.push_back(j);
}
}
if (cal_ind.size() == 0){
continue;
}
VectorXd d_xi_c = B.row(i) * C(Eigen::all, cal_ind);
}blaze：我修改了mmm函数，使它只计算一些元素，但是原始mmm和修改后的mmm都非常慢。
你在期待什么
例如size（A）=（100，100），A中有10，000个元素，如果只需要计算1，000个元素，用什么运算可以在更短的时间内完成这个任务？
1条答案
按热度按时间1tu0hz3e1#
我不认为你能轻易地实现你想要的：当进行全矩阵乘法时，当前矩阵乘法算法的主要加速来自以下事实：它们逐块地进行乘法，并且利用CPU的SIMD指令，以及针对CPU的各种高速缓存大小进行优化。库中的优化算法比通过3个嵌套循环的简单方法快10 - 100倍。然而，这些算法不是一次计算一个单独的元素，而是一次计算多个元素。（正如我所说：它们按块方式操作。）
如果在您的情况下，您只想计算元素的某个子集，除非元素以系统的方式组织（例如，仅左N列，或前M行，或类似的东西），则将计算限制到仅那些元素的唯一方法是显式地写入所有3个嵌套循环。这将比使用现代库提供的优化GEMM算法效率更低。
您可能最好做的事情大概就是在OpenMP示例中所做的事情，因为您已经将库的产品实现用于最内部的循环。（如果您使用一些巧妙的技巧，您可能会避免为索引向量分配一些内存，但除此之外，我看不到有多少优化潜力。
如果有一些额外的系统对元素（例如几乎所有的集群都在矩阵的特定块中），那么您可以使用该信息针对您的特定用例进行更多的优化。（假设您事先知道此行为，并且不必在运行时检测它。）
但说实话，如果你提供的数字是现实的，并且你正在计算10'000个元素中的1000个元素，那么我认为你永远不会比使用一个像样的库的完整GEMM实现来计算所有元素更快，即使大多数都不需要，只是因为与单独计算元素相比，完整算法提供了多少加速。你要么只需要计算比这个少的元素，要么你需要有一个非常系统的方法来确定需要计算的元素。（这并不依赖于为每个元素单独计算条件。）
也许如果你在这里提供更多关于你想要解决的实际问题的信息，可能会有一个聪明的方法来实现这一点-但当只看矩阵乘法部分时，我怀疑你是否能够加快速度。