标签：描述 and 设置 pen line 矩阵相乘 lob 渐进 div
请编程实现矩阵乘法，并考虑当矩阵规模较大时的优化方法。
根据wikipedia上的介绍：两个矩阵的乘法仅当第一个矩阵B的列数和另一个矩阵A的行数相等时才能定义。如A是m×n矩阵和B是n×p矩阵，它们的乘积AB是一个m×p矩阵，它的一个元素其中 1 ≤ i ≤ m, 1 ≤ j ≤ p。
值得一提的是，矩阵乘法满足结合律和分配率，但并不满足交换律，如下图所示的这个例子，两个矩阵交换相乘后，结果变了：
下面咱们来具体解决这个矩阵相乘的问题。
其实，通过前面的分析，我们已经很明显的看出，两个具有相同维数的矩阵相乘，其复杂度为O（n^3），参考代码如下：
1 //矩阵乘法，3个for循环搞定 2 void Mul(int** matrixA, int** matrixB, int** matrixC) 3 { 4 for(int i = 0; i < 2; ++i) 5 { 6 for(int j = 0; j < 2; ++j) 7 { 8 matrixC[i][j] = 0; 9 for(int k = 0; k < 2; ++k) 10 { 11 matrixC[i][j] += matrixA[i][k] * matrixB[k][j]; 12 } 13 } 14 } 15 }
在解法一中，我们用了3个for循环搞定矩阵乘法，但当两个矩阵的维度变得很大时，O（n^3）的时间复杂度将会变得很大，于是，我们需要找到一种更优的解法。
一般说来，当数据量一大时，我们往往会把大的数据分割成小的数据，各个分别处理。遵此思路，如果丢给我们一个很大的两个矩阵呢，是否可以考虑分治的方法循序渐进处理各个小矩阵的相乘，因为我们知道一个矩阵是可以分成更多小的矩阵的。
如下图，当给定一个两个二维矩阵A B时：
这两个矩阵A B相乘时，我们发现在相乘的过程中，有8次乘法运算，4次加法运算：
矩阵乘法的复杂度主要就是体现在相乘上，而多一两次的加法并不会让复杂度上升太多。故此，我们思考，是否可以让矩阵乘法的运算过程中乘法的运算次数减少，从而达到降低矩阵乘法的复杂度呢？答案是肯定的。
1969年，德国的一位数学家Strassen证明O（N^3）的解法并不是矩阵乘法的最优算法，他做了一系列工作使得最终的时间复杂度降低到了O(n^2.80)。
他是怎么做到的呢？还是用上文A B两个矩阵相乘的例子，他定义了7个变量：
如此，Strassen算法的流程如下：
；
表面上看，Strassen算法仅仅比通用矩阵相乘算法好一点，因为通用矩阵相乘算法时间复杂度是
1 # coding=utf-8 2 # copyright@zhangwenchi at 2019/9/21 3 import numpy as np 4 5 6 num_addorsub=0 7 num_mul=0 8 num_assign=0 9 10 def read_matrix(file_path): 11 input_matrix = list() 12 with open(file_path, ‘r‘) as f: 13 txt = f.read() 14 for line in txt.split(‘\n‘): 15 input_matrix.extend(line.split()) 16 matrix = [list() for i in range(0, 6)] 17 for i in range(0, 6): 18 for j in range(0, 6): 19 matrix[i].append(float(input_matrix[i * 6 + j])) 20 return matrix 21 22 def matrix_add(matrix_a, matrix_b): 23 ‘‘‘ 24 :param matrix_a: 25 :param matrix_b: 26 :return:matrix_c=matrix_a+matrix_b 27 ‘‘‘ 28 rows = len(matrix_a) # get numbers of rows 29 columns = len(matrix_a[0]) # get numbers of cols 30 matrix_c = [list() for i in range(rows)] # build matrix 2d list 31 for i in range(rows): 32 for j in range(columns): 33 matrix_c_temp = matrix_a[i][j] + matrix_b[i][j] 34 global num_addorsub,num_assign 35 num_addorsub=num_addorsub+1 36 num_assign = num_assign+1 37 matrix_c[i].append(matrix_c_temp) 38 return matrix_c 39 40 41 def matrix_minus(matrix_a, matrix_b): 42 ‘‘‘ 43 :param matrix_a: 44 :param matrix_b: 45 :return:matrix_c=matrix_a-matrix_b 46 ‘‘‘ 47 rows = len(matrix_a) 48 columns = len(matrix_a[0]) 49 matrix_c = [list() for i in range(rows)] 50 for i in range(rows): 51 for j in range(columns): 52 matrix_c_temp = matrix_a[i][j] - matrix_b[i][j] 53 global num_addorsub,num_assign 54 num_addorsub = num_addorsub + 1 55 num_assign=num_assign+1 56 matrix_c[i].append(matrix_c_temp) 57 return matrix_c 58 59 60 def matrix_divide(matrix_a, row, column): 61 ‘‘‘ 62 :param matrix_a: 63 :param row: 64 :param column: 65 :return: matrix_b=matrix_a(row,column) to divide matrix_a 66 ‘‘‘ 67 length = len(matrix_a) 68 matrix_b = [list() for i in range(length // 2)] 69 k = 0 70 for i in range((row - 1) * length // 2, row * length // 2): 71 for j in range((column - 1) * length // 2, column * length // 2): 72 matrix_c_temp = matrix_a[i][j] 73 matrix_b[k].append(matrix_c_temp) 74 k += 1 75 return matrix_b 76 77 78 def matrix_merge(matrix_11, matrix_12, matrix_21, matrix_22): 79 ‘‘‘ 80 :param matrix_11: 81 :param matrix_12: 82 :param matrix_21: 83 :param matrix_22: 84 :return:mariix merged by 4 parts above 85 ‘‘‘ 86 length = len(matrix_11) 87 matrix_all = [list() for i in range(length * 2)] # build a matrix of double rows 88 for i in range(length): 89 # for each row. matrix_all list contain row of matrix_11 and matrix_12 90 matrix_all[i] = matrix_11[i] + matrix_12[i] 91 for j in range(length): 92 # for each row. matrix_all list contain row of matrix_21 and matrix_22 93 matrix_all[length + j] = matrix_21[j] + matrix_22[j] 94 return matrix_all 95 96 97 def strassen(matrix_a, matrix_b): 98 ‘‘‘ 99 :param matrix_a: 100 :param matrix_b: 101 :return:matrix_a * matrix_b 102 ‘‘‘ 103 rows = len(matrix_a) 104 if rows == 1: 105 matrix_all = [list() for i in range(rows)] 106 matrix_all[0].append(matrix_a[0][0] * matrix_b[0][0]) 107 elif(rows % 2 ==1): 108 matrix_a_np = np.array(matrix_a) 109 matrix_b_np = np.array(matrix_b) 110 matrix_all = np.dot(matrix_a_np,matrix_b_np) 111 global num_mul,num_addorsub 112 num_mul = num_mul + 27 113 num_addorsub=num_addorsub + 18 114 else: 115 # 10 first parts of computing 116 s1 = matrix_minus((matrix_divide(matrix_b, 1, 2)), (matrix_divide(matrix_b, 2, 2))) 117 s2 = matrix_add((matrix_divide(matrix_a, 1, 1)), (matrix_divide(matrix_a, 1, 2))) 118 s3 = matrix_add((matrix_divide(matrix_a, 2, 1)), (matrix_divide(matrix_a, 2, 2))) 119 s4 = matrix_minus((matrix_divide(matrix_b, 2, 1)), (matrix_divide(matrix_b, 1, 1))) 120 s5 = matrix_add((matrix_divide(matrix_a, 1, 1)), (matrix_divide(matrix_a, 2, 2))) 121 s6 = matrix_add((matrix_divide(matrix_b, 1, 1)), (matrix_divide(matrix_b, 2, 2))) 122 s7 = matrix_minus((matrix_divide(matrix_a, 1, 2)), (matrix_divide(matrix_a, 2, 2))) 123 s8 = matrix_add((matrix_divide(matrix_b, 2, 1)), (matrix_divide(matrix_b, 2, 2))) 124 s9 = matrix_minus((matrix_divide(matrix_a, 1, 1)), (matrix_divide(matrix_a, 2, 1))) 125 s10 = matrix_add((matrix_divide(matrix_b, 1, 1)), (matrix_divide(matrix_b, 1, 2))) 126 # 7 second parts of computing 127 p1 = strassen(matrix_divide(matrix_a, 1, 1), s1) 128 p2 = strassen(s2, matrix_divide(matrix_b, 2, 2)) 129 p3 = strassen(s3, matrix_divide(matrix_b, 1, 1)) 130 p4 = strassen(matrix_divide(matrix_a, 2, 2), s4) 131 p5 = strassen(s5, s6) 132 p6 = strassen(s7, s8) 133 p7 = strassen(s9, s10) 134 # 4 final parts of result 135 c11 = matrix_add(matrix_add(p5, p4), matrix_minus(p6, p2)) 136 c12 = matrix_add(p1, p2) 137 c21 = matrix_add(p3, p4) 138 c22 = matrix_minus(matrix_add(p5, p1), matrix_add(p3, p7)) 139 matrix_all = matrix_merge(c11, c12, c21, c22) 140 global num_assign 141 num_assign =num_assign+22 142 return matrix_all 143 144 145 def main(): 146 # read data 147 A = read_matrix(‘matrixA.txt‘) 148 B = read_matrix(‘matrixB.txt‘) 149 150 # compute A*B 151 C = strassen(A,B) 152 print("\nResult of matrix given\n",np.array(C)) 153 154 # verificate A*B 155 C_verification=np.dot(A,B) 156 print("\nSubtract from standard results\n",np.array((C-C_verification),dtype=int)) 157 158 # statistical data 159 print("\nfrequency of add/sub",num_addorsub) 160 print("frequency of assign", num_assign) 161 print("frequency of mul", num_mul) 162 163 new_matrixA = np.random.random_integers(-5,5,size=(8, 8)) 164 print("\nRandom Matrix A:\n", new_matrixA) 165 new_matrixB = np.random.random_integers(-5,5,size=(8, 8)) 166 print("\nRandom Matrix B:\n", new_matrixB) 167 168 AdotB=strassen(new_matrixA, new_matrixB) 169 print("\n A*B Result of matrixs by generate randomly\n",np.array(AdotB)) 170 171 BdotA = strassen(new_matrixB, new_matrixA) 172 print("\n B*A Result of matrixs by generate randomly\n", np.array(BdotA)) 173 174 result=new_matrixA 175 for i in range(0,2019): 176 result=strassen(result,new_matrixA) 177 print("\n A^2019 Result of matrixs by generate randomly\n",np.array(result)) 178 if __name__ == ‘__main__‘: 179 main()
对以下要求，计算结果为：
性能分析：
数据取600位上界，即超过10分钟跳出。可以看到使用Strassen算法时，耗时不但没有减少，反而剧烈增多，在n=700时计算时间就无法忍受。仔细研究后发现，采用Strassen算法作递归运算，需要创建大量的动态二维数组，其中分配堆内存空间将占用大量计算时间，从而掩盖了Strassen算法的优势。于是对Strassen算法做出改进，设定一个界限。当n<界限时，使用普通法计算矩阵，而不继续分治递归。
改进后算法优势明显，就算时间大幅下降。之后，针对不同大小的界限进行试验。在初步试验中发现，当数据规模小于1000时，下界S法的差别不大，规模大于1000以后，n取值越大，消耗时间下降。最优的界限值在32～128之间。
因为计算机每次运算时的系统环境不同（CPU占用、内存占用等），所以计算出的时间会有一定浮动。虽然这样，试验结果已经能得出结论Strassen算法比常规法优势明显。使用下界法改进后，在分治效率和动态分配内存间取舍，针对不同的数据规模稍加试验可以得到一个最优的界限。
小结：
1）采用Strassen算法作递归运算，需要创建大量的动态二维数组，其中分配堆内存空间将占用大量计算时间，从而掩盖了Strassen算法的优势
2）于是对Strassen算法做出改进，设定一个界限。当n<界限时，使用普通法计算矩阵，而不继续分治递归。需要合理设置界限，不同环境（硬件配置）下界限不同
3）矩阵乘法一般意义上还是选择的是朴素的方法，只有当矩阵变稠密，而且矩阵的阶数很大时，才会考虑使用Strassen算法。
ref:https://www.jianshu.com/p/dc67e4a3c841
标签：描述 and 设置 pen line 矩阵相乘 lob 渐进 div
原文地址：https://www.cnblogs.com/wind-chaser/p/11559525.html
