matlab充分利用性能,Matlab高性能编程——代码优化和并行计算
Jeremy Lin ?@HQU
Update: 2014/4/29
Matlab代碼優化
Matlab是一種高級計算機語言，同時也是一個用于算法開發，數據可視化，數據分析和數值計算的交互式工作環境。盡管Matlab軟件提供了大量專業化的工具箱，使用戶避免了很多編程工作，但是在實際工作中仍不免需要自行編寫Matlab代碼以應對各種紛繁復雜的應用。我們需要明白Matlab是一種專門為數組運算而設計的語言，因此在程序設計中要注意充分利用這一優點來加快運算速度。
本文從以下三個方面展開：
程序語法分析 ：Code Analyzer(M-Lint)
程序性能分析 ：Profiler
運算性能提升 ：向量化、預分配
1.程序語法分析
關于Matlab的程序語法分析，我們要充分利用Code Analyzer的各種提示，修改出現的各種warning，來改善程序。
所謂的Code Analyzer就是在m文件編輯器右邊的一欄warning提示，當程序出現warning時，它附帶地提供了一些可參考的方法。
在下圖中，我們可見到兩個warning，一個是沒有分號結束符，這樣會使代碼結果直接輸出，有過編程經驗的人都知道，在代碼的運行過程中不斷輸出中間結果，會大大增加程序的運行時間；另一個warning是沒有對其中的變量進行初始化，這樣會讓程序在運行過程中不斷重復初始化變量，同時也會大大消耗內存。
一個簡單的例子如下所示：
當我們沒有去掉warning時，程序的運行時間是：5.570289s，而當我們添加了代碼的分號結束符后，程序的運行時間是：0.008179s，對比發現程序提速非常明顯。
2.程序性能分析
對程序的性能分析我們主要利用Profiler來深度了解代碼的性能，找出瓶頸代碼，然后做出修改以提升性能。
在Matlab中打開Profiler只要點擊Run and Time即可，位置如下圖所示：
我們從Profiler可以得到
函數調用的總次數
每次函數調用耗時狀況
然后根據各個函數的調用情況，結合實際情況，把可以替換的函數直接替換，不能替換的高調用函數盡量優化。
3.運算性能提升
運算性能提升主要利用兩種方法：內存預分配和向量化。
首先我們來看看內存預分配的必要性：
需要明白，當你未進行內存預分配時，比如執行如下的代碼：
>> x=4;
>> x(2)=7;
>> x(3)=12;
它在內存中的過程是這樣的：
從上圖我們可以發現，改變數組大小是很耗費內存的，因此最好進行內存預分配，同時它能夠減少存儲器碎片。
接下來，我們來看看向量化，所謂向量化即是將for循環和while循環轉換為等價的向量或矩陣運算，它可以大大加速運算，還增強了代碼的可讀性。
我們從一個簡單的例子開始：
原程序：
A=1;
for x=1:10000000
f(x)=A*sin((x-1)/(2*pi));
end
運行時間：12.714 s
向量化后：
A=1;
x=0:10000000-1;
f=A*sin(x/(2*pi));
運行時間：0.544 s
可以發現，向量化后，程序的運行速度提高了23倍左右。
雖然一維的向量化很簡單，但是，當被評估的函數有兩個變量時，優化的方法可能就會復雜一些。
MATLAB使用meshgrid來實現對二維函數的評估，該函數的語法為
[C, R] = meshgrid(c, r)
該函數將由行向量c和r指定的域變換成數組C和R，這兩個數組能用來評估有著兩個變量的函數和三維表面圖(注意，在meshgrid的輸入和輸出中，列總是首先列出)。
輸出數組C是向量c的副本，R是r的副本。例如，假設我們想形成一個二維函數，該函數的元素是坐標向量x和y的值的平方和，其中x=0, 1, 2; y=0, 1。向量r由坐標的行向量構成：r=[0, 1, 2]；類似的，c由坐標的列向量構成：c=[0 1](注意，此處的r和c均為行向量)。將這兩個向量代入meshgrid可得到如下數組：
>> [C,R]=meshgrid(c,r)
C =
0 1
0 1
0 1
R =
0 0
1 1
2 2
我們感興趣這個函數的實現：
>> h=R.^2+C.^2
h =
0 1
1 2
4 5
例子：
tic
u0=1/(4*pi);
v0=1/(4*pi);
for r=1:1000
u0x=u0*(r-1);
for c=1:1000
v0y=v0*(c-1);
f(r,c)=sin(u0x+v0y);
end
end
t1=toc
運行時間：?2.4337 s
向量化后：
tic
u0=1/(4*pi);
v0=1/(4*pi);
r=0:1000-1;
c=0:1000-1;
[C,R] = meshgrid(c,r);
g=sin(u0*R+v0*C);
t2=toc
運行時間：?0.0590s
向量后快了41倍。
OTHER TIPS:
以列向量存儲：以列作為雙重for循環的外循環會比以行作為外循環運算速度更快
邏輯索引運算性能更好：例子如下
%%
N=2000;
A=magic(N);
A1=magic(N);
A2=magic(N);
myRef=1e6;
%%
tic
ix=1;
vals=zeros(size(A(:)));
for jj=1:N
for ii=1:N
if A(ii,jj)>myRef
vals(ix) = A(ii,jj);
ix=ix+1;
end
end
end
% vals(ix:end)=[];
toc
%%
運行時間：Elapsed time is 5.466597 seconds.
tic
vals=A2(A2>myRef);
toc
運行時間：Elapsed time is 0.084450 seconds.
In-place操作 ：減少臨時變量的使用
N=3e3;
x=rand(N);
tic;
y=x*1.2;
toc;
%Elapsed time is 0.073008 seconds.
%% In-place 操作
tic;
x=x*1.2;
toc;
%Elapsed time is 0.037856 seconds.
MATLAB并行計算
關于Matlab并行計算，這一塊我實際的經驗較少，只做一點淺顯的介紹，更多相關的資料見下文的參考資料。
1、Matlab并行計算原理
Matlab的并行計算實質還是主從結構的分布式計算。當你初始化Matlab并行計算環境時，你最初的Matlab進程自動成為主節點，同時初始化多個Matlab計算子節點。Parfor的作用就是讓這些子節點同時運行Parfor語句段中的代碼。Parfor運行之初，主節點會將Parfor循環程序之外變量傳遞給計算子節點。子節點運算過程時互不干擾，運算完畢，則應該有相應代碼將各子節點得到的結果組合到同一個數組變量中，并返回到Matlab主節點。當然，最終計算完畢應該手動關閉計算子節點。
2、初始化Matlab并行計算環境
這里講述的方法僅針對多核機器做并行計算的情況。設機器的CPU核心數量是CoreNum雙核機器的CoreNum2，依次類推。CoreNum以不等于核心數量，但是如果CoreNum小于核心數量則核心利用率沒有最大化，如果CoreNum大于核心數量則效率反而可能下降。因此單核機器就不要折騰并行計算了，否則速度還更慢。
下面一段代碼初始化Matlab并行計算環境：
%Initialize Matlab Parallel Computing Enviornment by Xaero | Macro2.cn
CoreNum=2; %設定機器CPU核心數量，我的機器是雙核，所以CoreNum=2
if matlabpool('size')<=0 %判斷并行計算環境是否已然啟動
matlabpool('open','local',CoreNum); %若尚未啟動，則啟動并行環境
else
disp('Already initialized'); %說明并行環境已經啟動。
end
運行成功后會出現如下語句：
Starting?matlabpool?using?the?'local'?configuration?...?connected?to?2?labs.
如果運行出錯，按照下面的辦法檢測：
首先運行：
matlabpool?size
如果出錯，說明你沒有安裝Matlab并行工具箱。確認安裝了此工具箱后，運行：
matlabpool?open?local?2;
如果出錯，證明你的機器在開啟并行計算時設置有問題。
3、終止Matlab并行計算環境
用上述語句啟動Matlab并行計算環境的話，在你的內存里面有CoreNum個Matlab進程存在，每個占用內存都在百兆以上。(可以用Windows任務管理器查看)，故完成運行計算后可以將其關閉。關閉的命令很簡單：
matlabpool?close
Reference：
[1] ?Rafael C. Gonzalez. Digital Image Processing Using MATLAB.
[2]?mathworks ?webinars
[3] Matlab Help
[4]?Matlab并行編程方法?Rachel Zhang的專欄
本文地址：http://blog.csdn.net/linj_m/article/details/9730717
更多資源請關注 博客：LinJM-機器視覺微博：林建民-機器視覺
總結
以上是生活随笔為你收集整理的matlab充分利用性能,Matlab高性能编程——代码优化和并行计算的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： led显示原理（led显示屏接线图解）
- 下一篇： fme中oracle转shp,FME中C