如何提高MATLAB运行效率.docxVIP

如何提高MATLAB运行效率(1) 在我们的领域，MATLAB是进行实齡的最主要的工具之一。我听到过很多抱怨说MATLAB?慢，可是 这往往不是MATMB的问题，而是因为自己程序没有写好。MATLAB是我非常欣赏的一种语言，堪称 灵活易用和高效运算的结合典范。 作为解释语言，MATLAB进行高效运算的秘诀有几个方面： (1) JIT即时编译技术。Mat lab在第一次加载运行一个函数的时候，会在后台对它进行某种程度 的编译和优化，使得后续运行更快。因此，除了第一次运行需要进行语句解释之外，后面运行的 其实是已经放在内存中的经过优化的中间码。所以，很多时候我们可能会看到第一次运行一个新 函数，比它后面几次的运行明显慢一些。不过目前的JIT技术还不是非常成熟，和标准的编译语 言相比还有相当差距，仅凭这个MATLAB还不能称为高效。 ⑵ 向量化(Vectorization) o这是MATLAB最著名的特色。向量化配合经过高度优化的数值运算 引擎，是其高效运算的最重要的基石一艮多MATLAB的使用者都明白这一点。能够转化成矩阵操 作的规则运算过程，使用MATLAB计算远比自己手工用C/C++实现高效。我自己做过很多次对比 profile, MATLAB在关键的核心运算上的实现可以比自己用C/C++按照标准的routine进行实现快 几十倍。 其实这不完全是MATLAB的功劳，其实MATLAB足建基于BLAS和LAPACK等的基础数学运算包的基础上 的。Intel和AMD都发布了这些东西的vendor-implementation,并且针对各自的CPU进行了大量的 优化，这非个人之力所能企及。因此，我从來都强烈不建议个人用C/C++去实现数值运算的关键 代码(学习数值分析课者除外)。 不过，对于向量化这个事情，也不宜极端化，下面的一些例子说明在哪些时候，for-loop比 vectorization 更适合： 粗粒度的算法流程控制。比如，你要实现一个迭代算法，循环做一个爭情直到收敛。只要循 环几次或者几十次，但是每个循环内部要进行大量的复杂运算，那么你就没有必要费心把这层循 环给vectorize掉了。除非收敛结果有某种close-form的解析解。 如果向量化可能导致产生巨型矩阵，则使用前要三思！很多情况下，向量化是一种用空间换 时间的行为，就是通过把数据组织成某种方式，从而使得内建的高效引擎能得以应用。但是，有 些时候要处理大量的数据，可能导致其组织过程需要耗费额外的数百兆乃至千兆内存空间，那么 这有可能造成效率的不升反降。原因有几个方面： 第一，数据组织过程也是需要时间的，最起码它也需要大量的操作进行密集的内存读写和用于定 位的偏移量计算。这方面增加的时间vs.向量化节省的运算时间，孰轻孰重，需要衡量。 第二，分配额外的大块内存是一件菲常耗时的事情，它可能导致虚拟内存的使用，那么当对这块 矩阵进行读写和计算时可能涉及频繁的内存与外存交换区的I/O,这回造成效率的严重下降。我 一直不赞同在Out of Memory的情况下，通过增大虚存来解决问题，这样，即使你勉强让程序能 继续运行下去，运行时间也会变得极为缓慢——这时应该做的是对程序进行重新思考和设计，降 低其对内存的耗用。 第三，vectorization有些时候还可能增加实际运算次数，这往往岀现在不适合的向量化过程中。 这样，即使你通过生搬硬套的向量化过程让操作变成矩阵运算，但是增加的无用计算使得即使是 更高效的引擎也无法挽回你的损失了。 说了这么些，不是想劝说从向量化的道路退回去，而是提醍在做一些事情的时候，要考虑得周全 一此 ?~■- O (3) Inplacc Operationo这是一个很有趣的事情,MATLAB的对象管理策略是Copy on Write,就 是说你把一个矩阵传给一个函数的时候，会先传引用，而不产生副本，而当函数要对这个矩阵修 改的时候，才会制造出它的副木出来，让函数去修改。这样听上去很完美，既保护了输入矩阵不 被改变，又避免了大量无谓的复制。不过，这个策略真的没有缺陷么？可以看看下面的例子 A = rand(2000, 2000); for i = 1 : 1000 A = f (A); end function A = f(A)A(l) = A(l) function A = f(A) A(l) = A(l) + 1; % a temporary copy rcturn; % the modified of A is produced for modification temporary copy is assigned to A 在上面的代码中，只是想对A的第一个元素做1000次加法，结果却导致了对整个有四百万元素的 大矩阵做了 1000次副