向量化在逻辑回归中的应用与效率提升

1.什么是向量化
在逻辑回归中（python）
显然，向量化快速，方便。
2.小例子(python):向量化和非向量化运行时间的区别

import numpy as np n = np.arrary([1,2,3,4]) print(a)

import numpy as np import time a = np.random.rand(1000000) b = np.random.rand(1000000)#百万维数组 tic = time.time() #记录当前时间 c = np.dot(a,b) toc = time.time() print(c) print("vectorized version:"+str(1000*(toc-tic))+"ms") #非向量化的版本 c = 0 tic = time.time() for i in range(1000000): c += a[i]*b[i] toc = time.time() print(c) print("For loop:" + str(1000*(toc-tic)) +"ms")#打印for循环的版本的时间

运行一次结果

结果说明向量化可以节省很多时间

更多例子

非向量

u = np.zeros(n,1) for i in range(n)u[i] = math.exp.(v[i])

向量

import numpy as np u = np.exp(v)

numpy里面有很多内置函数，np.log(v)（每个元素的对数）、np.abs(v)（每个元素的对绝对值）、np.maximum(v)（v里和0相比最大元素）。