如果我評(píng)估類似的東西：numpy.random.choice(2, size=100000, p=[0.01, 0.99])使用一個(gè)均勻分布的 random float，比如說(shuō)r，并決定是否r < 0.01可能會(huì)浪費(fèi)許多生成的隨機(jī)位（熵）。我聽(tīng)說(shuō)（二手）生成偽隨機(jī)數(shù)在計(jì)算上很昂貴，所以我假設(shè)不會(huì)這樣做numpy，而是在這種情況下使用像算術(shù)編碼這樣的方案。然而，乍一看似乎確實(shí)為每個(gè)被要求的樣本choice生成了一個(gè)。float此外，一項(xiàng)快速timeit實(shí)驗(yàn)表明，生成n統(tǒng)一的浮點(diǎn)數(shù)實(shí)際上比n來(lái)自p=[0.01, 0.99].>>> timeit.timeit(lambda : numpy.random.choice(2, size=100000, p=[0.01, 0.99]), number=1000)1.74494537999999>>> timeit.timeit(lambda : numpy.random.random(size=100000), number=1000)0.8165735180009506真的會(huì)為每個(gè)樣本choice生成一個(gè)嗎？float在某些情況下使用某種壓縮算法是否不會(huì)顯著提高性能（特別是如果size它很大且p分布不均勻）？如果不是，為什么不呢？
1 回答
慕俠2389804
TA貢獻(xiàn)1719條經(jīng)驗(yàn) 獲得超6個(gè)贊
從 NumPy 1.17 開(kāi)始，原因主要是向后兼容性。
從 NumPy 1.17 開(kāi)始，numpy.random.*函數(shù)（包括 ）是遺留函數(shù)，根據(jù)NumPy 的新 RNG 政策numpy.random.choice，“應(yīng)保持與當(dāng)前相同”，該政策還為 NumPy 引入了新的隨機(jī)生成系統(tǒng)。使它們成為遺留功能的原因包括避免全局狀態(tài)的建議。盡管如此，NumPy 并沒(méi)有在 1.17 版中棄用任何函數(shù)，盡管 NumPy 的未來(lái)版本可能會(huì)棄用。numpy.random.*
回想一下，在您的示例中，numpy.random.choice將 s 數(shù)組作為float權(quán)重。整數(shù)權(quán)重?cái)?shù)組將導(dǎo)致更精確的隨機(jī)數(shù)生成。盡管 anyfloat可以轉(zhuǎn)換為有理數(shù)（導(dǎo)致有理值權(quán)重，從而導(dǎo)致整數(shù)權(quán)重），但遺留的 NumPy 版本似乎不會(huì)這樣做。numpy.random.choice在不破壞向后兼容性的情況下，無(wú)法更改這些和其他實(shí)現(xiàn)決策。
順便說(shuō)一下，算術(shù)編碼并不是唯一一種旨在避免比特浪費(fèi)的算法。也許用于離散分布采樣的規(guī)范算法是 Knuth 和 Yao 算法（1976），它根據(jù)所涉及概率的二元展開(kāi)精確地選擇一個(gè)隨機(jī)整數(shù)，并將問(wèn)題視為二叉樹(shù)上的隨機(jī)游走。（該算法平均使用距理論下限最多 2 位的距離。）任何其他整數(shù)生成算法最終都可以用相同的方式描述，即二叉樹(shù)上的隨機(jī)游走。例如，快速加載的骰子滾筒是最近的一種算法，它對(duì)其使用的平均位數(shù)有一個(gè)保證范圍（在這種情況下，與理論下限相差不超過(guò) 6 位）。Han 和 Hoshi 算法（從 1997 年開(kāi)始）是另一種算法，但使用累積概率。
添加回答
舉報(bào)
0/150
提交
取消