La situation s'aggrave avec la mémoire. Avant le lancement
Et pendant l'exécution d'Alglibov PearsonCorrM, la mémoire augmente sans cesse : et 5 gg ont été vus, 4,6 ont été affichés à l'écran.
et pendant le travail du standard Matrix.CorrCoef
Apparemment, le programme standard est optimisé pour une utilisation minimale de la mémoire, et le programme Alglibov est optimisé pour la vitesse.
Il se peut qu'un redimensionnement du tableau se produise quelque part, ce qui est très lent. Si vous trouvez et définissez la taille finale en une seule fois, cela peut être plus rapide
mytarmailS #: Vous avez besoin d'un outil capable de compter la matrice en dehors de la mémoire
C'est la principale priorité, et non la vitesse de comptage en mémoire.
En effet, si vous n'avez pas assez de mémoire vive (et c'est le cas), la vitesse de comptage de la matrice n'a pas d'importance.
Jusqu'à présent, je ne vois pas d'obstacle technique au comptage d'une matrice million par million sur une simple machine domestique. Mais la comparaison NumPy vs MQL5 est très importante pour moi.
Si vous n'avez pas de compte, veuillez vous inscrire
Autorisez l'utilisation de cookies pour vous connecter au site Web MQL5.com.
Veuillez activer les paramètres nécessaires dans votre navigateur, sinon vous ne pourrez pas vous connecter.
Vous êtes connecté. L'authentification à deux facteurs a été désactivée. Configurez-la à nouveau et scannez un nouveau code QR, ou continuez avec l'authentification à deux facteurs désactivée.
Mesure du temps en tenant compte de la création de la matrice
Sauvegarder les deux matrices dans des fichiers pour réconcilier les résultats.
Ici sur R ChatGPT offre
Cette variante de R est presque 6 fois inférieure à NumPy.
Si j'ai bien compris, python peut travailler avec des matrices entières et ici les vitesses sont d'un ordre différent
Si le code est correct, le résultat est le suivant
La question de la précision/comparabilité des résultats des calculs doit être vérifiée.
En jugeant par
Array size: 0.0762939453125 MBLa matrice calculée est 100*100 et non 15000*15000.La situation s'aggrave avec la mémoire.
Avant le lancement
Et pendant l'exécution d'Alglibov PearsonCorrM, la mémoire augmente sans cesse : et 5 gg ont été vus, 4,6 ont été affichés à l'écran.
et pendant le travail du standard Matrix.CorrCoef
Apparemment, le programme standard est optimisé pour une utilisation minimale de la mémoire, et le programme Alglibov est optimisé pour la vitesse.
Il se peut qu'un redimensionnement du tableau se produise quelque part, ce qui est très lent. Si vous trouvez et définissez la taille finale en une seule fois, cela peut être plus rapide
Vous êtes merveilleux pour traduire n'importe quelle idée en g... en comptant toutes sortes de résultats inintéressants :)
Alexei est un amateur particulier
Enregistrez les deux matrices dans des fichiers afin de réconcilier les résultats.
https://drive.google.com/file/d/1ATJkHwUY8jzeRp-rdTsYBeYHor-68EPB/view?usp=share_link
D'après
La matrice 100*100 est calculée, et non 15000*15000.Vous avez besoin d'un outil capable de compter la matrice en dehors de la mémoire
Jusqu'à présent, je ne vois pas d'obstacle technique au comptage d'une matrice million par million sur une simple machine domestique. Mais la comparaison NumPy vs MQL5 est très importante pour moi.