很幸運的，R 從 2.13 版開始加入了一個內建的標準套件 compiler，這個套件顧名思義就是可以將 R 的程式碼編譯後再執行，可增加執行的速度，因為使用方式非常簡單，程式設計者可以在幾乎不更動原始程式碼的情況下，讓程式的執行速度有明顯的提昇，這次的 2.13 版可能是 R 有史以來最有意義的一次更新。
下面是 R 官方 NEWS 中的敘述：
Package compiler is now provided as a standard package. See依照這個敘述來看，這個編譯器可以將 R 的程式碼編譯成位元碼（byte code），但是目前這個編譯器還沒有被內建的基本套件使用，不過我們可以使用這個新套件來將我們自己寫的 R 程式編譯成位元碼，這樣可以非常輕鬆的提高程式的執行速度。這裡我們介紹如何使用 R 的編譯器來增加程式執行的效率，並測試各種情況下的執行速度。
?compiler::compile for information on how to use the compiler.
This package implements a byte code compiler for R: by default
the compiler is not used in this release. See the 'R
Installation and Administration Manual' for how to compile the
base and recommended packages.
使用 R 的 compiler 套件
首先定義一些測試用的函數：f <- function(n, x=1) for (i in 1:n) x=1/(1+x)
g <- function(n, x=1) for (i in 1:n) x=(1/(1+x))
h <- function(n, x=1) for (i in 1:n) x=(1+x)^(-1)
j <- function(n, x=1) for (i in 1:n) x={1/{1+x}}
k <- function(n, x=1) for (i in 1:n) x=1/{1+x}接下來先測試正常狀況執行速度，我們使用 rbenchmark 這個套件來測試，使用前要先安裝 rbenchmark 套件：install.packages(c("inline", "Rcpp"))接著使用 rbenchmark 來測試：library(rbenchmark)
N <- 1e6
benchmark(f(N,1), g(N,1), h(N,1), j(N,1), k(N,1),
columns=c("test", "replications",
"elapsed", "relative"), order="relative",
replications=10)這是測試的結果：test replications elapsed relative
1 f(N, 1) 10 14.214 1.000000
5 k(N, 1) 10 14.262 1.003377
4 j(N, 1) 10 15.574 1.095680
2 g(N, 1) 10 16.308 1.147320
3 h(N, 1) 10 20.658 1.453356
接下來我們來測試加入 R 編譯器之後的效果，R 編譯器是在 2.13 版以後才有，所以若是您的 R 版本比較舊，就要先把 R 更新至 2.13 以後的版本才能使用編譯器。首先使用 cmpfun() 函數來將上面定義的函數進行編譯：
library(compiler) lf <- cmpfun(f) lg <- cmpfun(g) lh <- cmpfun(h) lj <- cmpfun(j) lk <- cmpfun(k)接著用 rbenchmark 來測試：
N <- 1e6
benchmark(f(N,1), g(N,1), h(N,1), j(N,1), k(N,1),
lf(N,1), lg(N,1), lh(N,1), lj(N,1), lk(N,1),
columns=c("test", "replications",
"elapsed", "relative"),
order="relative", replications=10)這是測試的結果：test replications elapsed relative
10 lk(N, 1) 10 5.447 1.000000
6 lf(N, 1) 10 5.530 1.015238
9 lj(N, 1) 10 5.541 1.017257
7 lg(N, 1) 10 5.567 1.022030
8 lh(N, 1) 10 7.332 1.346062
5 k(N, 1) 10 14.245 2.615201
1 f(N, 1) 10 14.490 2.660180
4 j(N, 1) 10 15.780 2.897008
2 g(N, 1) 10 16.484 3.026253
3 h(N, 1) 10 20.882 3.833670
從這個結果來看，編譯後再執行的執行的速度是沒有編譯的兩倍以上，看起來使用 R 編譯器將 R 的程式碼編譯成位元碼之後再執行，確實是可以明顯提高執行的速度，另外，因為程式碼寫法的不同所造成的執行效率差異，在編譯後也變小了，這樣的方式感覺很不錯，只需要對程式碼做非常少許的變動，就能明顯提高執行效率，對大多數的統計研究人員而言是一大福音。
使用 Rcpp 與 inline
介紹完 compiler 套件的用法，接下來我們來比較編譯成位元碼與機械碼的執行速度差異，在 compiler 套件問世之前，要加速 R 的執行速度都是使用 C 語言編寫程式較耗時的部份，再編譯成機械碼給 R 執行，使用前要先安裝 inline 與 Rcpp 套件：install.packages(c("inline", "Rcpp"))接下來就可以使用 C 語言編寫程式了，以下是使用 C 語言的版本，首先定義函數：library(inline) ## and define our version in C++ src <- 'int n = as < int > (ns); double x = as < double > (xs); for (int i = 0; i < n; i++) x=1/(1+x); return wrap(x); ' l <- cxxfunction(signature(ns="integer", xs="numeric"), body=src, plugin="Rcpp")再用 rbenchmark 測試一次：
benchmark(f(N,1), g(N,1), h(N,1), j(N,1), k(N,1),
l(N,1),
lf(N,1), lg(N,1), lh(N,1), lj(N,1), lk(N,1),
columns=c("test", "replications",
"elapsed", "relative"),
order="relative", replications=10)測試結果：test replications elapsed relative
6 l(N, 1) 10 0.153 1.00000
7 lf(N, 1) 10 6.008 39.26797
10 lj(N, 1) 10 6.041 39.48366
8 lg(N, 1) 10 6.140 40.13072
11 lk(N, 1) 10 6.254 40.87582
9 lh(N, 1) 10 7.738 50.57516
5 k(N, 1) 10 14.885 97.28758
1 f(N, 1) 10 15.359 100.38562
4 j(N, 1) 10 16.405 107.22222
2 g(N, 1) 10 17.385 113.62745
3 h(N, 1) 10 22.045 144.08497
畫成圖形：
 |
| 各函數的執行時間 |
這個結果可以看出位元碼與機械碼之間的差異，大約相差 40 倍，比起原來的程式甚至有上百倍的差異，所以若是真的要算很久的程式，就可以考慮使用 C 語言的方式，當然若是只是算個幾分鐘就沒有必要花個幾十分鐘甚至幾小時來寫 C 語言的程式，直接編譯成位元碼執行就好了，改個幾小時的程式，加速之後其實只跑幾分鐘，其實反而更沒效率。
另外補充一點，這裡我們所拿來測試用的函數並不是真實的程式會用的函數，因為真的要算這樣的值不會用迴圈，直接用向量運算的方式會快很多，所以在實際的程式中，使用編譯器所提昇的執行度速可能不會像這個例子一樣這麼高。
參考資料：eddelbuettel、eddelbuettel
沒有留言:
張貼留言