| 1 | #include <stdlib.h> |
| 2 | #include <omp.h> |
| 3 | #include <gsl/gsl_linalg.h> |
| 4 | #include "EMGrank.h" |
| 5 | #include "utils.h" |
| 6 | |
| 7 | // TODO: comment on constructionModelesLassoRank purpose |
| 8 | void constructionModelesLassoRank_core( |
| 9 | // IN parameters |
| 10 | const float* Pi,// parametre initial des proportions |
| 11 | const float* Rho, // parametre initial de variance renormalisé |
| 12 | int mini, // nombre minimal d'itérations dans l'algorithme EM |
| 13 | int maxi, // nombre maximal d'itérations dans l'algorithme EM |
| 14 | const float* X,// régresseurs |
| 15 | const float* Y,// réponse |
| 16 | float tau, // seuil pour accepter la convergence |
| 17 | const int* A1, // matrice des coefficients des parametres selectionnes |
| 18 | int rangmin, //rang minimum autorisé |
| 19 | int rangmax, //rang maximum autorisé |
| 20 | // OUT parameters (all pointers, to be modified) |
| 21 | float* phi,// estimateur ainsi calculé par le Lasso |
| 22 | float* lvraisemblance,// estimateur ainsi calculé par le Lasso |
| 23 | // additional size parameters |
| 24 | int n,// taille de l'echantillon |
| 25 | int p,// nombre de covariables |
| 26 | int m,// taille de Y (multivarié) |
| 27 | int k,// nombre de composantes |
| 28 | int L)// taille de glambda |
| 29 | { |
| 30 | //On cherche les rangs possiblement intéressants |
| 31 | int deltaRank = rangmax-rangmin+1; |
| 32 | int Size = (int)pow(deltaRank,k); |
| 33 | int* Rank = (int*)malloc(Size*k*sizeof(int)); |
| 34 | for (int r=0; r<k; r++) |
| 35 | { |
| 36 | //On veut le tableau de toutes les combinaisons de rangs possibles |
| 37 | //Dans la première colonne : on répète (rangmax-rangmin)^(k-1) chaque chiffre : ca remplit la colonne |
| 38 | //Dans la deuxieme : on répète (rangmax-rangmin)^(k-2) chaque chiffre, et on fait ca (rangmax-rangmin)^2 fois |
| 39 | //... |
| 40 | //Dans la dernière, on répète chaque chiffre une fois, et on fait ca (rangmin-rangmax)^(k-1) fois. |
| 41 | int indexInRank = 0; |
| 42 | int value = 0; |
| 43 | while (indexInRank < Size) |
| 44 | { |
| 45 | for (int u=0; u<pow(deltaRank,k-r-1); u++) |
| 46 | Rank[mi(indexInRank++,r,Size,k)] = rangmin + value; |
| 47 | value = (value+1) % deltaRank; |
| 48 | } |
| 49 | } |
| 50 | |
| 51 | //Initialize phi to zero, because unactive variables won't be assigned |
| 52 | for (int i=0; i<p*m*k*L*Size; i++) |
| 53 | phi[i] = 0.0; |
| 54 | |
| 55 | //initiate parallel section |
| 56 | int lambdaIndex; |
| 57 | omp_set_num_threads(OMP_NUM_THREADS); |
| 58 | #pragma omp parallel default(shared) private(lambdaIndex) |
| 59 | { |
| 60 | #pragma omp for schedule(dynamic,CHUNK_SIZE) nowait |
| 61 | for (lambdaIndex=0; lambdaIndex<L; lambdaIndex++) |
| 62 | { |
| 63 | //On ne garde que les colonnes actives : active sera l'ensemble des variables informatives |
| 64 | int* active = (int*)malloc(p*sizeof(int)); |
| 65 | int longueurActive = 0; |
| 66 | for (int j=0; j<p; j++) |
| 67 | { |
| 68 | if (A1[mi(j,lambdaIndex,p,L)] != 0) |
| 69 | active[longueurActive++] = A1[mi(j,lambdaIndex,p,L)] - 1; |
| 70 | } |
| 71 | |
| 72 | if (longueurActive == 0) |
| 73 | continue; |
| 74 | |
| 75 | //from now on, longueurActive > 0 |
| 76 | float* phiLambda = (float*)malloc(longueurActive*m*k*sizeof(float)); |
| 77 | float LLF; |
| 78 | for (int j=0; j<Size; j++) |
| 79 | { |
| 80 | //[phiLambda,LLF] = EMGrank(Pi(:,lambdaIndex),Rho(:,:,:,lambdaIndex),mini,maxi,X(:,active),Y,tau,Rank(j,:)); |
| 81 | int* rank = (int*)malloc(k*sizeof(int)); |
| 82 | for (int r=0; r<k; r++) |
| 83 | rank[r] = Rank[mi(j,r,Size,k)]; |
| 84 | float* Xactive = (float*)malloc(n*longueurActive*sizeof(float)); |
| 85 | for (int i=0; i<n; i++) |
| 86 | { |
| 87 | for (int jj=0; jj<longueurActive; jj++) |
| 88 | Xactive[mi(i,jj,n,longueurActive)] = X[mi(i,active[jj],n,p)]; |
| 89 | } |
| 90 | float* PiLambda = (float*)malloc(k*sizeof(float)); |
| 91 | for (int r=0; r<k; r++) |
| 92 | PiLambda[r] = Pi[mi(r,lambdaIndex,k,L)]; |
| 93 | float* RhoLambda = (float*)malloc(m*m*k*sizeof(float)); |
| 94 | for (int u=0; u<m; u++) |
| 95 | { |
| 96 | for (int v=0; v<m; v++) |
| 97 | { |
| 98 | for (int r=0; r<k; r++) |
| 99 | RhoLambda[ai(u,v,r,m,m,k)] = Rho[ai4(u,v,r,lambdaIndex,m,m,k,L)]; |
| 100 | } |
| 101 | } |
| 102 | EMGrank_core(PiLambda,RhoLambda,mini,maxi,Xactive,Y,tau,rank, |
| 103 | phiLambda,&LLF, |
| 104 | n,longueurActive,m,k); |
| 105 | free(rank); |
| 106 | free(Xactive); |
| 107 | free(PiLambda); |
| 108 | free(RhoLambda); |
| 109 | //lvraisemblance((lambdaIndex-1)*Size+j,:) = [LLF, dot(Rank(j,:), length(active)-Rank(j,:)+m)]; |
| 110 | lvraisemblance[mi(lambdaIndex*Size+j,0,L*Size,2)] = LLF; |
| 111 | //dot(Rank(j,:), length(active)-Rank(j,:)+m) |
| 112 | float dotProduct = 0.0; |
| 113 | for (int r=0; r<k; r++) |
| 114 | dotProduct += Rank[mi(j,r,Size,k)] * (longueurActive-Rank[mi(j,r,Size,k)]+m); |
| 115 | lvraisemblance[mi(lambdaIndex*Size+j,1,Size*L,2)] = dotProduct; |
| 116 | //phi(active,:,:,(lambdaIndex-1)*Size+j) = phiLambda; |
| 117 | for (int jj=0; jj<longueurActive; jj++) |
| 118 | { |
| 119 | for (int mm=0; mm<m; mm++) |
| 120 | { |
| 121 | for (int r=0; r<k; r++) |
| 122 | phi[ai5(active[jj],mm,r,lambdaIndex,j,p,m,k,L,Size)] = phiLambda[jj*m*k+mm*k+r]; |
| 123 | } |
| 124 | } |
| 125 | } |
| 126 | free(active); |
| 127 | free(phiLambda); |
| 128 | } |
| 129 | } |
| 130 | free(Rank); |
| 131 | } |