MATLAB程式设计入门篇程式码与记忆体之最佳化1.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * MATLAB 程式設計入門篇：通用運算式 MATLAB 程式設計入門篇：通用運算式 MATLAB 程式設計入門篇程式碼與記憶體之最佳化 張智星 jang@ /jang 清大資工系 多媒體檢索實驗室 重點說明 6.5 版之前，MATLAB 執行效率非常倚賴程式碼的向量化 6.5 （含）版後，MATLAB 引進了JIT 加速器，程式碼向量化的重要性相對降低。 同學們仍須瞭解程式碼向量化的實作方法、優缺點。 本章範例之執行環境 OS: Windows 7 CPU: Intel Core i7-2670QM, 2.20GHz RAM: 8GB MATLAB: 35 (R2011a) 2-1 程式碼的向量化 6.5 版之前，MATLAB 程式環境是一個傳統的解譯器（Interpreter），在執行 MATLAB的程式碼時，會進行下列動作: 逐列對程式碼轉換為 p-code，這是 MATLAB 可以解讀的格式。 對產生的 p-code 進行逐列執行。 MATLAB 程式運作流程 (I) 在執行每一列 p-code 時，都還包含一些「經常開銷」（Overhead） 若該列執行需要大量運算，經常開銷就會顯得很渺小而不會拖累程式執行速度。 若該列只是簡單的運算，那經常開銷的比例就會相對提高。 若該列是放在迴圈內，那麼程式碼的執行速度就會被這些經常開銷大幅拖慢。 MATLAB 程式運作流程 (II) 若要加快執行速度 MATLAB 6.5 版之前，就要盡量不使用迴圈 ，而盡量改用向量化的運算，以降低經常開銷的比例。 MATLAB 6.5 版（含）之後，已經加入了 JIT-Accelerator，有效地降低了經常開銷的比例，同時也使得向量化程式碼的重要性越來越低。 JIT: Just-In-Time 對向量化運算來進行說明，主要著眼點在於： 很多舊的程式碼還是包含向量化的運算。 MATLAB 6.5 之前的版本，向量化的運算還是提高執行效率的主要關鍵。 某些情況下，JIT-Accelerator 的效能無法完全發揮，還是需要配合向量化的運算才可以讓程式碼更有效率。 MATLAB 程式碼的向量化 傳統範例 (I) 計算 n 項調和數列的總和，若使用 for 迴圈，當 n = 100,000 時，可計算其執行時間如下： 範例2-1：hsum01.m tic n = 100000; total = 0; for i = 1:n total = total+1/i; end toc elapsed_time = 2.63000 由上可知，當 n = 100,000 時，使用 for 迴圈的程式碼約需 2.63 秒才能執行完畢。若改用向量化的運算，可計時如下： 範例2-2：hsum02.m tic n = 100000; sequence = 1:n; total = sum(1./sequence); toc elapsed_time = 0.0600 傳統範例 (II) 提示 上述的測試時間是根據Pentium-450, 256 MB RAM在 MATLAB 6.1 所得到的結果。如果你的電腦更快，計算時間的差異性就不會那麼顯著。 若使用我目前環境進行測試： hsum01 ? 0.009773 sec hsum02 ? 0.008938 sec 在 MATLAB 6.5 版之後，採用了 JIT (Just-In-Time) 的編譯技術，因此「向量化」和「非向量化」的程式執行速度差異較小。 要能夠熟練地運用向量化的運算，有下列三個訣竅： 對矩陣的索引（Indexing）非常熟悉。 對 MATLAB 可用的內建（Built-in）指令非常熟悉。 對問題本身的解法非常瞭解。 程式碼向量化的要訣 若要對一個矩陣 x 的每一個直行乘上向量 a 的每一個元素，我們可使用內建的 diag 指令來達成此功能，例如： 範例2-3： colMultiply01.m 此為「以空間換取時間」的範例。 x = [1 2 3; 1 1 1]; a = [3 2 1]; y = x*diag(a) y = 3 4 3 3 2 1 矩陣直行乘法 若要對一個矩陣 x 的每一個橫列乘上向量 a 的每一個元素，也可以使用 diag 指令，例如： 範例2-4： rowMultiply01.m 此為「以空間換取時間」的範例。 x = [1 2 3;4 5 6]; a = [3 1]; y = diag(a)*x y =