SubArrays
Julia の SubArray 型は、親の AbstractArray の「ビュー」を表すコンテナです。このページでは、SubArray の設計原則と実装について説明します。
設計上の大きな目標の一つは、IndexLinear 配列と IndexCartesian 配列のどちらについても、ビューの性能を高く保つことです。さらに、可能な限り、IndexLinear 配列のビュー自体も IndexLinear であるべきです。
Index replacement
3 次元配列から 2 次元スライスを作る場合を考えてみましょう。
julia> A = rand(2,3,4);
julia> S1 = view(A, :, 1, 2:3)
2×2 view(::Array{Float64, 3}, :, 1, 2:3) with eltype Float64:
0.839622 0.711389
0.967143 0.103929
julia> S2 = view(A, 1, :, 2:3)
3×2 view(::Array{Float64, 3}, 1, :, 2:3) with eltype Float64:
0.839622 0.711389
0.789764 0.806704
0.566704 0.962715view は、「単一要素」の次元(Int で指定された次元)を取り除くため、S1 と S2 はどちらも 2 次元の SubArray になります。そのため、これらをインデックス指定する自然な方法は S1[i,j] を使うことです。親配列 A から値を取り出すには、S1[i,j] を A[i,1,(2:3)[j]] に、S2[i,j] を A[1,i,(2:3)[j]] に置き換えるのが自然な方法です。
SubArrays の設計における重要な特徴は、このインデックスの置き換えを実行時のオーバーヘッドなしで行えることです。
SubArray design
Type parameters and fields
採用されている方針は、まず型の定義に表れています。
struct SubArray{T,N,P,I,L} <: AbstractArray{T,N}
parent::P
indices::I
offset1::Int # for linear indexing and pointer, only valid when L==true
stride1::Int # used only for linear indexing
...
endSubArray には 5 つの型パラメーターがあります。最初の 2 つは、標準的な要素型と次元数です。次は親の AbstractArray の型です。最もよく使われるのは 4 番目のパラメーターで、各次元のインデックス型を並べた Tuple です。最後の L は、ディスパッチを簡便にするためだけに用意されています。高速な線形インデックス指定をインデックス型がサポートするかどうかを表す真偽値です。詳しくは後述します。
上の例で A が Array{Float64, 3} なら、先ほどの S1 のケースは SubArray{Float64,2,Array{Float64,3},Tuple{Base.Slice{Base.OneTo{Int64}},Int64,UnitRange{Int64}},false} になります。特に、タプル型パラメーターには、S1 の作成に使われたインデックスの型が格納されている点に注目してください。同様に、
julia> S1.indices
(Base.Slice(Base.OneTo(2)), 1, 2:3)これらの値を保持することでインデックスを置き換えられます。また、型をパラメーターとしてエンコードしておけば、効率的なアルゴリズムへディスパッチできます。
Index translation
インデックスを変換するには、具体的な SubArray 型ごとに異なる処理が必要です。たとえば S1 では、i,j インデックスを親配列の第 1 次元と第 3 次元に適用する必要があります。一方、S2 では、第 2 次元と第 3 次元に適用します。インデックス指定を行う最も単純な方法は、実行時に型を解析することです。
parentindices = Vector{Any}()
for thisindex in S.indices
...
if isa(thisindex, Int)
# Don't consume one of the input indices
push!(parentindices, thisindex)
elseif isa(thisindex, AbstractVector)
# Consume an input index
push!(parentindices, thisindex[inputindex[j]])
j += 1
elseif isa(thisindex, AbstractMatrix)
# Consume two input indices
push!(parentindices, thisindex[inputindex[j], inputindex[j+1]])
j += 2
elseif ...
end
S.parent[parentindices...]しかし、これは性能に深刻な悪影響を及ぼします。要素にアクセスするたびにメモリ割り当てが発生し、型付けの不十分なコードが大量に実行されるためです。
よりよい方法は、格納されたインデックスの型ごとに専用のメソッドへディスパッチすることです。reindex はこの方法を採用しています。最初に格納されたインデックスの型に基づいてディスパッチし、適切な数の入力インデックスを消費した後、残りのインデックスに対して再帰的に処理します。S1 の場合、これは次のように展開されます。
Base.reindex(S1, S1.indices, (i, j)) == (i, S1.indices[2], S1.indices[3][j])ただし、インデックスの組 (i,j) がどのようなものであっても(CartesianIndex とその配列は除きます。後述)、この形になります。
これが SubArray の中核です。インデックス指定メソッドは、このインデックス変換を reindex に任せます。ただし、間接参照を避けてさらに高速化できる場合もあります。
Linear indexing
配列全体で、あるオフセットから始まる要素間の間隔が一定のストライド一つで表せる場合、線形インデックス指定を効率的に実装できます。つまり、これらの値を事前に計算しておけば、線形インデックス指定を加算と乗算だけで表現できます。これにより、reindex の間接参照を避けられます。さらに重要なのは、デカルト座標の計算という遅い処理を完全に省けることです。
SubArray 型では、高速な線形インデックス指定が可能かどうかはインデックスの型だけで決まり、親配列のサイズなどの値には依存しません。特定のインデックスの組が高速な線形インデックス指定をサポートするかどうかは、内部関数 Base.viewindexing で確認できます。
julia> Base.viewindexing(S1.indices)
IndexCartesian()
julia> Base.viewindexing(S2.indices)
IndexLinear()この判定は SubArray の構築時に行われ、高速な線形インデックス指定をサポートするかどうかを示す真偽値として、L の型パラメーターに格納されます。必須ではありませんが、これにより中間処理を挟まず、SubArray{T,N,A,I,true} に直接ディスパッチできます。
この判定は実行時の値に依存しないため、ストライドがたまたま一定になるケースを見落とすことがあります。
julia> A = reshape(1:4*2, 4, 2)
4×2 reshape(::UnitRange{Int64}, 4, 2) with eltype Int64:
1 5
2 6
3 7
4 8
julia> diff(A[2:2:4,:][:])
3-element Vector{Int64}:
2
2
2view(A, 2:2:4, :) として作成したビューは、たまたまストライドが一定になるため、線形インデックス指定を効率的に実行できます。しかし、このケースでうまくいくかどうかは配列のサイズに依存します。たとえば、第 1 次元が奇数なら、
julia> A = reshape(1:5*2, 5, 2)
5×2 reshape(::UnitRange{Int64}, 5, 2) with eltype Int64:
1 6
2 7
3 8
4 9
5 10
julia> diff(A[2:2:4,:][:])
3-element Vector{Int64}:
2
3
2A[2:2:4,:] のストライドは一定ではないため、効率的な線形インデックス指定を保証できません。この判定は SubArray のパラメーターにエンコードされた型だけに基づいて行う必要があるため、S = view(A, 2:2:4, :) では効率的な線形インデックス指定を実装できません。
A few details
Base.reindex関数は、入力インデックスの型に依存しない点に注意してください。この関数が決めるのは、格納されたインデックスをどのように、どこで再インデックスするかだけです。整数インデックスだけでなく、スカラーでないインデックスにも対応しています。そのため、ビューのビューであっても、間接参照を 2 段階にする必要はありません。元の親配列に対するインデックスを再計算するだけで済みます。スライスをサポートする場合、パラメーター
Nで表される次元数は、親配列の次元数やindicesタプルの長さと必ずしも一致しないことは、もう明らかでしょう。また、ユーザーが指定したインデックスがindicesタプルの要素と必ずしも一対一に対応するわけでもありません(たとえば、2 番目に指定したインデックスが親配列の第 3 次元に対応し、indicesタプルの 3 番目の要素に対応する場合があります)。それほど明らかではないかもしれませんが、格納された親配列の次元数は、
indicesタプル内の有効なインデックスの数と等しくなければなりません。例をいくつか示します。A = reshape(1:35, 5, 7) # A 2d parent Array S = view(A, 2:7) # A 1d view created by linear indexing S = view(A, :, :, 1:1) # Appending extra indices is supported単純に
S.parent = AとS.indices = (:,:,1:1)を設定すればよいと思うかもしれません。しかし、これをサポートすると、特にビューのビューで、再インデックス処理が大幅に複雑になります。格納されたインデックスの型に基づいてディスパッチするだけでなく、あるインデックスが最後のものかどうかを調べ、残りの格納されたインデックスをまとめる必要があります。これは簡単ではありません。さらに悪いことに、線形インデックス指定に暗黙的に依存するため、処理も遅くなります。幸い、まさにこの計算を
ReshapedArrayが行い、可能な場合は線形時間で処理します。そのため、viewは、必要に応じて親配列を reshape し、指定されたインデックスに適した次元数にします。内部のSubArrayコンストラクターは、この不変条件が満たされることを保証します。CartesianIndexとその配列は、reindexの仕組みに厄介な問題をもたらします。reindexは、格納されたインデックスの型に基づいてディスパッチし、渡されたインデックスをいくつ使い、どこに適用するかを決めるだけです。しかし、CartesianIndexでは、渡された引数の数と、それらがインデックス指定する次元の数が一対一に対応しなくなります。先ほどのBase.reindex(S1, S1.indices, (i, j))の例に戻ると、i, j = CartesianIndex(), CartesianIndex(2,1)に対する展開が誤っていることがわかります。CartesianIndex()を完全に飛ばして、次のように返すべきです。(CartesianIndex(2,1)[1], S1.indices[2], S1.indices[3][CartesianIndex(2,1)[2]])ところが、実際には次のようになります。
(CartesianIndex(), S1.indices[2], S1.indices[3][CartesianIndex(2,1)])これを正しく処理するには、あらゆる次元数の組み合わせについて、格納されたインデックスと渡されたインデックスの両方に基づく複合ディスパッチが必要になり、現実的ではありません。そのため、
reindexをCartesianIndexインデックスとともに呼び出してはなりません。幸い、スカラーの場合は、まずCartesianIndex引数を通常の整数に平坦化すれば簡単に処理できます。しかし、CartesianIndexの配列は、直交する部分に簡単に分割できません。reindexを使う前に、viewは引数リストにCartesianIndexの配列が含まれていないことを確認する必要があります。含まれている場合は、reindexの計算を完全に避け、間接参照が 2 段階になるネストしたSubArrayを構築することで対処できます。