为什么Strassen矩阵乘法比标准矩阵乘法慢得多？
- C++:15秒（源）
- Python:6分13秒（来源）
- C++:45分钟（源）
- 蟒蛇：10小时后被杀死（来源）
为什么Strassen矩阵乘法比标准矩阵乘法慢得多？
-
null
-
null
-
null
共有1个答案
最基本的问题是，使用strassen实现将叶子大小递归到1。Strassen的算法有一个更好的大O复杂度，但常量在现实中确实很重要，这意味着在现实中，对于较小的问题，你最好使用标准的n^3矩阵乘法。
因此，要大大改进您的程序，而不是做：
if (tam == 1) {
C[0][0] = A[0][0] * B[0][0];
return;
}
在这里使用if(tam==LEAF_SIZE)//iterative solution。leaf_size应该是一个常量，您必须根据给定的体系结构试验确定该常量。根据体系结构的不同，它可能更大或更小--有些体系结构中strassen的常数因子非常大，以至于对于合理的矩阵大小来说，它基本上总是比简单的n^3实现差。这要看情况而定。
-
问题内容： 在numpy中，我有N个3x3矩阵的数组。这将是我如何存储它们的示例（我正在提取内容）： 我也有一个由3个向量组成的数组，这将是一个示例： 我似乎无法弄清楚如何通过numpy将它们相乘，从而实现如下效果： 与的形状（在投射到阵列）是。但是，由于速度的原因，列表实现是不可能的。 我尝试了各种换位的np.dot，但最终结果没有得到正确的形状。 问题答案： 使用 脚步 ： 1）保持第一根轴对
-
主要内容：逐元素矩阵乘法,矩阵乘积运算,矩阵点积矩阵乘法是将两个矩阵作为输入值，并将 A 矩阵的行与 B 矩阵的列对应位置相乘再相加，从而生成一个新矩阵，如下图所示： 注意：必须确保第一个矩阵中的行数等于第二个矩阵中的列数，否则不能进行矩阵乘法运算。 图1：矩阵乘法 矩阵乘法运算被称为向量化操作，向量化的主要目的是减少使用的 for 循环次数或者根本不使用。这样做的目的是为了加速程序的计算。 下面介绍 NumPy 提供的三种矩阵乘法，从而进一步
-
我想使用寄存器（逐行信息）通过向量算法创建矩阵乘法。打开外循环4次我有空洞matvec_XMM（双* a，双* x，双* y，整数n，整数磅）函数的问题，它返回了不好的结果，这是算法wchich我必须使用： 它是ma代码：
-
考虑两个矩阵A和B.如果A是mxn矩阵而B是nxp矩阵，它们可以相乘以产生mxn矩阵C.只有当A中的列数n等于数量时才可以进行矩阵乘法在B.中的行n 在矩阵乘法中，第一矩阵中的行的元素与第二矩阵中的对应列相乘。 在得到的矩阵C中的第 （i，j）位置中的每个元素是第i行的第i行中的元素与第二矩阵的第 j列中的对应元素的乘积的总和。 MATLAB中的矩阵乘法是使用*运算符执行的。 例子 (Exampl
-
问题内容： 我正在研究大型矩阵乘法，并运行以下实验以形成基准测试： 从std normal（0平均值，1 stddev）随机生成两个4096x4096矩阵X，Y。 Z = X * Y Z的元素求和（以确保它们被访问）并输出。 这是朴素的C ++实现： 编译并运行： 这是Octave / matlab实现： 跑： 八度使用BLAS（我承担功能） 硬件是Linux x86-64上的i7 3930X，内
-
我已经创建了一个使用流执行矩阵乘法的模块。可以在这里找到：https://github.com/firefly-math/firefly-math-lineal-real/ 当我在大小为100x100和1000x1000的矩阵上运行基准测试时，发现Apache Commons Math（使用for循环）比相应的流实现快10倍（大致）。 我在基准测试中做错了什么吗（希望是：））？ 我添加了测试的方法