3482
правки
Изменения
м
Загрузка файла 2693-time-measure.wiki
{{CC-BY-4.0|author=автором Артём Клевцов}}
{{Pkg-req-notice}}
Для измерения времени выполнения выражений используют следующие инструменты:
* Функция <code>system.time()</code> из базового пакета;
* Cпециализированные функции (benchmarks, бенчмарки);
* Функция профилирования времени выполнения кода <code>Rprof()</code>.
== Функция <code>system.time</code> ==
Самый простой инструмент для измерения времени выполнения кода - функция <code>system.time()</code> из пакета {{r-package|base|core=true}}. В качестве аргумента функция <code>system.time()</code> принимает выражения и возвращает время выполнения данного выражения. Измерим время выполнения функции <code>Sys.sleep()</code>, которая останавливает выполнение кода на заданный интервал времени (в секундах):
{{r-code|code=<nowiki>system.time(Sys.sleep(1))
#> user system elapsed
#> 0.000 0.000 1.001
</nowiki>}}
Как видим, на выполнение данной операции заняло ровно одну секунду.
Приведём ещё один пример. Сравним время вычисления встроенной в R функции <code>mean()</code> и среднего, вычисленного по формуле <math>\frac{1}{n}\sum_{i=1}^{n}x_{i}</math>. на сгенерированном массиве нормально распределенных значений:
{{r-code|code=<nowiki>x <- rnorm(10^7L)
system.time(mean(x))
#> user system elapsed
#> 0.017 0.000 0.016
system.time(sum(x) / length(x))
#> user system elapsed
#> 0.007 0.000 0.008
</nowiki>}}
Функция возвращает 3 значения:
* <code>user</code> - время CPU, которое занял пользователь;
* <code>system</code> - время CPU, которое заняла система;
* <code>elapsed</code> - реальное время, которое заняло выполнение команды.
Соответственно, в выводе функции нас интересует значение <code>elapsed</code>, который показывает время выполнения функции (выражения) в секундах. Как мы видим, внешне более сложное выражение <code>sum(x) / length(x)</code> выполняется быстрее стандартной функции <code>mean(x)</code>.
К сожалению, подобный способ достаточно ненадежен, так как для оценки времени выполнения выражения функция <code>system.time()</code> обращается к системным значениям времени. Следовательно, если во время выполнения кода параллельно производятся и другие операции на компьютере (а такое случается практически в ста процентах случаев), то возможно увеличение времени выполнения R-кода. Некоторую вариативность результатов можно увидеть, даже если выполнить функцию <code>system.time()</code> несколько раз подряд. Подобной неточности оценки можно избежать путём многократного повторения выполняемых выражений и вычислением среднего времени, что позволит сгладить часть вариаций.
Проиллюстрируем вышесказанное на примере:
{{r-code|code=<nowiki>replicate(10, system.time(mean(x))[["elapsed"]])
#> [1] 0.016 0.015 0.016 0.015 0.016 0.015 0.015 0.015 0.016 0.016
</nowiki>}}
В этом примере с помощью функции <code>replicate()</code> мы повторили выражение <code>system.time(mean(x))</code> 10 раз, отфильтровав вывод функции <code>system.time()</code> так, чтобы нам выводилось только время выполнения команды, дописав <code>[["elapsed"]]</code>. Как мы видим, время выполнения при повторном выполнении выражения может отличаться.
Базовый пакет позволяет реализовать процедуру многократного повторения выражения функции как минимум двумя способами. Первый - функция <code>replicate()</code>. Приведенное выше сопоставление времени выполнения двух выражений при использовании функции <code>replicate()</code> будет выглядеть следующим образом:
{{r-code|code=<nowiki>system.time(replicate(100, mean(x)))
#> user system elapsed
#> 1.547 0.000 1.550
system.time(replicate(100, sum(x) / length(x)))
#> user system elapsed
#> 0.793 0.000 0.792
</nowiki>}}
Тот же самый эффект можно получить и с помощью обычного цикла <code>for()</code>:
{{r-code|code=<nowiki>system.time(for (i in seq_len(100)) mean(x))
#> user system elapsed
#> 1.563 0.000 1.563
system.time(for (i in seq_len(100)) sum(x) / length(x))
#> user system elapsed
#> 0.797 0.000 0.797
</nowiki>}}
Можно также использовать описательные статистики в сочетании с множественными повторениями:
{{r-code|code=<nowiki>median(replicate(100, system.time(mean(x))[["elapsed"]]))
#> [1] 0.016
</nowiki>}}
В примере выше мы взяли только значения <code>elapsed</code> и рассчитали медиану <ref>Медиана является более устойчивой мерой центральной тенденции при асимметрии распределения, что, как правило, характерно для измерения времени.</ref>.
Вместо подобных решений можно использовать специальные пакеты, предназначенные для измерения производительности кода, в частности, пакеты {{r-package|rbenchmark}} и {{r-package|microbenchmark}}. Основной принцип работы этих пакетов заключается в многократном выполнении выражений и расчёта ряда интегральных показателей, в частности, суммы, среднего значения или медианы времени выполнения всех попыток.
== Пакет {{r-package|rbenchmark}} ==
Основа пакета {{r-package|rbenchmark}} - функция <code>benchmark()</code>. Данная функция работает следующим образом: указанные в качестве аргументов выражения выполняются заданное количество раз (по умолчанию 100) и вычисляется время, затраченное на выполнение всех попыток. В качестве аргументов функции <code>benchmark()</code> необходимо передать выражения или функции, а также количество повторений, передаваемых аргументом replications<ref>Анализ функции <code>benchmark()</code> показал, что, данная функция использует <code>system.time()</code> и <code>replicate()</code>, рассмотренные в предыдущем разделе.</ref>.
Для примера возьмём несколько способов расчёта среднего арифметического для сгенерированного массива данных.
{{r-code|code=<nowiki>x <- replicate(10, rnorm(10^6L))
</nowiki>}}
Использованные нами способы - функции векторизованных вычислений (<code>apply()</code>, <code>vapply()</code>), стандартный цикл и специальная функция вычисления средних по столбцам <code>ColMeans()</code>. Представим эти способы в виде самостоятельных функций для удобства их вызова при работе с <code>benchmark()</code>:
{{r-code|code=<nowiki>colMeansApply <- function(x) {
apply(x, 2, mean)
}
colMeansVapply <- function(x) {
vapply(seq_len(ncol(x)), function(i) mean(x[, i]), FUN.VALUE = numeric(1))
}
colMeansLoop <- function(x) {
n.vars <- ncol(x)
res <- double(n.vars)
for (i in seq_len(n.vars))
res[i] <- mean(x[, i])
return(res)
}
colMeansLoopVec <- function(x) {
n.vars <- ncol(x)
n <- nrow(x)
res <- double(n.vars)
for (i in seq_len(n.vars))
res[i] <- sum(x[, i]) / n
return(res)
}
</nowiki>}}
Убедимся, что функции возвращают одинаковый результат. Сделать это можно с помощью функций <code>identical()</code> или <code>all.equal()</code>:
{{r-code|code=<nowiki>identical(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x))
#> [1] TRUE
</nowiki>}}
Теперь, подключив пакет {{r-package|rbenchmark}}, мы можем сравнить время работы каждого из выбранных нами способов вычисления средних по столбцам:
{{r-code|code=<nowiki>benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x),
colMeansLoopVec(x), colMeans(x), replications = 100)
#> test replications elapsed relative user.self sys.self user.child sys.child
#> 1 colMeansApply(x) 100 14.083 17.963 12.793 1.277 0 0
#> 4 colMeansLoopVec(x) 100 6.715 8.565 6.663 0.047 0 0
#> 3 colMeansLoop(x) 100 7.514 9.584 7.423 0.083 0 0
#> 2 colMeansVapply(x) 100 7.573 9.659 7.523 0.043 0 0
#> 5 colMeans(x) 100 0.784 1.000 0.783 0.000 0 0
</nowiki>}}
Наиболее важны для нас в выводе функции <code>benchmark()</code> столбцы <code>elapsed</code> и <code>relative</code>. Столбец <code>elapsed</code> показывает время в секундах, затраченное на выполнение интересующей нас функции. Как видим из примера, самыми медленными оказались функции <code>colMeansApply()</code> и <code>colMeansLoop()</code>, а самой быстрой <code>colMeans()</code>, причём превосходит остальные по скорости выполнения как минимум в 7 раз.
Показатель <code>relative</code> дает информацию о разнице во времени относительно самого быстрого выражения (в нашем случае это <code>ColMeans()</code>), т.е. время самого быстрого выражения берётся за единицу, и рассчитывается относительное время для остальных выражений.
Для более удобного просмотра можно отфильтровать вывод функции <code>benchmark()</code> с помощью аргумента <code>columns</code>. Также может быть полезен аргумент <code>order</code>, позволяющий отсортировать вывод по любому из столбцов. Для примера зададим набор показателей, которые мы хотим включить в таблицу (в данном случае это «test», «replications», «elapsed», «relative»), и отсортируем выдачу по столбцу «elapsed» по возрастанию значений:
{{r-code|code=<nowiki>benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x),
replications = 100, order = "relative",
columns = c("test", "replications", "elapsed", "relative"))
#> test replications elapsed relative
#> 5 colMeans(x) 100 0.786 1.000
#> 4 colMeansLoopVec(x) 100 6.709 8.536
#> 3 colMeansLoop(x) 100 7.499 9.541
#> 2 colMeansVapply(x) 100 7.566 9.626
#> 1 colMeansApply(x) 100 14.045 17.869
</nowiki>}}
Таким образом, сравнив несколько альтернатив решения нашей задачи, мы можем сделать обоснованный выбор в пользу наиболее эффективного варианта.
Чтобы не указывать нужные столбцы каждый раз, когда используется функция <code>benchmark()</code>, можно закрепить заданный формат выдачи результатов (далее используется именно такой формат вывода, с сортировкой по столбцу «relative»). Для этого следует воспользоваться функцией <code>formals()</code>:
{{r-code|code=<nowiki>formals(benchmark)$columns <- c("test", "replications", "elapsed", "relative")
formals(benchmark)$order <- "relative"
</nowiki>}}
== Пакет {{r-package|microbenchmark}} ==
Функция <code>microbenchmark()</code> одноименного пакета работает сходным с функцией <code>benchmark()</code> образом, но предоставляет более гибкие средства по управлению процессом выполнения выражений<ref>Но в отличии от функции benchmark() использует собственную реализацию измерения времени выполнения и организацию повторных испытаний.</ref>. Особенностями реализованных в пакете {{r-package|microbenchmark}} являются:
* Возможность измерения времени выполнения выражения вплоть до наносекунд;
* Возможность контролировать последовательность выполнения выражений: случайно или последовательно;
* Возможность проведения предварительных испытаний до начала процесса измерений.
Также с помощью функции <code>microbenchmark()</code> можно получить исходную информацию о времени выполнения каждой попытки, что даёт достаточно широкие возможности по обработке и анализу полученных результатов.
В таблице ниже представлено время выполнения пяти функций вычисления среднего значения из предыдущего примера, полученное с помощью функции <code>microbenchmark()</code>:
{{r-code|code=<nowiki>res <- microbenchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x),
colMeansLoopVec(x), colMeans(x), times = 100)
print(res, unit = "ms", order = "median")
#> Unit: milliseconds
#> expr min lq median uq max neval
#> colMeans(x) 7.808 7.824 7.834 7.854 8.326 100
#> colMeansLoopVec(x) 65.742 67.976 76.827 81.280 107.498 100
#> colMeansVapply(x) 73.512 74.748 81.382 87.439 116.362 100
#> colMeansLoop(x) 73.538 75.823 82.490 89.138 108.388 100
#> colMeansApply(x) 102.575 124.303 137.139 143.418 149.543 100
</nowiki>}}
Все результаты представлены в виде описательных статистик, рассчитанных из времени выполнения каждой попытки. Наиболее информативный столбец - это столбец median, который показывает медиану времени выполнения выражения для всех попыток.
Вся полученная информация о попытках применения функций вычисления средних записана в отдельную переменную <code>res</code>. С помощью функции <code>str()</code> можно увидеть структуру переменной:
{{r-code|code=<nowiki>str(res)
#> Classes 'microbenchmark' and 'data.frame': 500 obs. of 2 variables:
#> $ expr: Factor w/ 5 levels "colMeansApply(x)",..: 2 1 5 2 5 5 5 2 1 1 ...
#> $ time: num 8.49e+07 1.25e+08 7.81e+06 8.87e+07 7.83e+06 ...
</nowiki>}}
Переменная <code>res</code>, как можно увидеть в выводе функции <code>str()</code>, представляет собой список (list) и включает в себя две переменные: <code>expr</code> (выражение) и <code>time</code> (время выполнения). На основе этой информации и рассчитываются описательные статистики, приведённые в примере применения функции <code>microbenchmark()</code>. Наличие исходных данных о каждой попытке позволяет самостоятельно выбирать, рассчитывать и сравнивать предпочтитаемые показатели. Например, расчет медианного времени выполнения попытки и общего времени выполнения всех попыток для каждого выражения выглядит следующим образом:
{{r-code|code=<nowiki>aggregate(time ~ expr, data = res, function(x) median(x) * 10^-6L)
#> expr time
#> 1 colMeansApply(x) 137.139
#> 2 colMeansVapply(x) 81.382
#> 3 colMeansLoop(x) 82.490
#> 4 colMeansLoopVec(x) 76.827
#> 5 colMeans(x) 7.834
aggregate(time ~ expr, data = res, function(x) sum(x) * 10^-6L)
#> expr time
#> 1 colMeansApply(x) 13149.4
#> 2 colMeansVapply(x) 8213.3
#> 3 colMeansLoop(x) 8294.3
#> 4 colMeansLoopVec(x) 7548.8
#> 5 colMeans(x) 786.3
</nowiki>}}
Умножение на <math>10^{-6}</math> --- это перевод в миллисекунды. Чтобы получить секунды, нужно, соответственно, умножить на <math>10^{-9}</math>.
Помимо настройки формата вывода, выбора показателей, наличие информации о времени выполнения выражения в каждой попытке позволяет визуализировать результаты оценки времени выполнения выражения. Например, с помощью функции <code>autoplot()</code> из пакета {{r-package|ggplot2}}, можно получить следующий график:
{{r-code|code=<nowiki>autoplot(res)
</nowiki>}}
[[Файл:Microbenchmark-autoplot-colMeans.svg|600px|центр]]
Ещё один довольно интересный способ графического представления результатов измерения скорости выполнения кода с помощью функции <code>qplot()</code> представлен ниже:
{{r-code|code=<nowiki>qplot(y = time, data = res, colour = expr)
</nowiki>}}
[[Файл:Microbenchmark-dotplot-colMeans.svg|600px|центр]]
Так же можно, если возникнет необходимость, оценить статистическую значимость различий во времени выполнения выражений. Благодаря тому, что в переменной <code>res</code> хранятся данные о времени выполнения каждой попытки из заданного числа, становится возможным использование статистических критериев. Выбор критерия - на усмотрение аналитика, в примере ниже использовался параметрический критерий сравнения групп t-Стьюдента с поправкой уровня статистической значимости Холма для множественных сравнений:
{{r-code|code=<nowiki>pairwise.t.test(res$time, res$expr)
#>
#> Pairwise comparisons using t tests with pooled SD
#>
#> data: res$time and res$expr
#>
#> colMeansApply(x) colMeansVapply(x) colMeansLoop(x) colMeansLoopVec(x)
#> colMeansVapply(x) < 2e-16 - - -
#> colMeansLoop(x) < 2e-16 0.53 - -
#> colMeansLoopVec(x) < 2e-16 7.1e-07 3.7e-08 -
#> colMeans(x) < 2e-16 < 2e-16 < 2e-16 < 2e-16
#>
#> P value adjustment method: holm
</nowiki>}}
Из вышеприведённого вывода видно, что скорость выполнения всех функций статистически значимо разлиается у всех функций, за исключением пары <code>colMeansLoop(x)</code> - <code>colMeansVapply(x)</code> (p-уровень = 0.62).
== Примечания ==
<references />
== Ссылки ==
* Olaf Mersmann (2013). microbenchmark: Sub microsecond accurate timing functions.. R package version 1.3-0.
*: http://CRAN.R-project.org/package=microbenchmark
* Wacek Kusnierczyk (2012). rbenchmark: Benchmarking routine for R. R package version 1.0.0.
*: http://CRAN.R-project.org/package=rbenchmark
[[Категория:R]]
[[Категория:Оптимизация кода]]
