学习笔记 V1.0 2015/4/17 |
如何加速MATLAB代码运行 |
概述 |
本文源于LDPCC的MATLAB代码,即《CCSDS标准的LDPC编译码仿真》。由于代码的问题,在信息位长度很长(大于10000)情况下,代码无法正常运行或执行速度很慢。本文将叙述代码修改过程中的一系列手段,然对其加速原理不做探究 |
修订历史 |
以下表格展示了本文档的修订过程
|
简介 |
本程序基于MATLAB 2014a 编写,本文档中提到的"MATLAB"均指该特定版本MATLAB。代码运行结果测试机器是T530i i3 3110M 16G @1600MHz。 MATLAB的帮助文档 - Advancde Software Development - Performance and Memory中提及了一些改善代码性能的一些手段。比较通用的包括向量的预先分配内存,这一点在编辑器里也会提示。有时候预先分配内存与否和性能关系很大,譬如 tic x = 0; for i = 2:1000000 x(i) = x(i-1)+5; end toc tic x = zeros(1,1000000); for i = 2:1000000 x(i) = x(i-1)+5; end toc 运行结果显示为"时间已过 0.500985 秒"和"时间已过 0.073622 秒"。另外在声明变量的时候不使用原有变量,而创建新变量也可以减少运行时间。还有包括选择'&'和'&&'的差异。 MATLAB还提供了一些改善性能的手段,包括
不得不说上面的技巧有很多是废话,而其中向量化是最有效的一种方法之一。向量化代码中有很多常用的函数,包括
在代码撰写修改过程中,可以多考虑考虑以上函数。 |
实例 |
实例来自于《CCSDS标准的LDPC编译码仿真》中代码(实际上有点点差别),代码优化从以下几个方面进行
稀疏 仿真中的第一个困难在于ccsdscheckmatrix函数在输入SIZE_M很大的时候,先不说运行时间,直接就爆内存了。(输入参数4096,2/3) 先分析分析内存的问题,实际上这个函数的最后输出结果就是一个矩阵,这个矩阵的大小是12288×28672,计算double型的内存占用也就2G左右。但是函数运行过程中产生了很多中间变量没有清除。当然最后的解决办法也没有去管这些东西,由于矩阵H是稀疏矩阵,所以之际采用sparse后,这个运行就没有任何问题了。 对于矩阵H和H_sparse = spares(H),占用内存如下(当然H要是稀疏的,不然得不偿失) Name Size Bytes Class Attributes H 12288x28672 2818572288 double H_sparse 12288x28672 1736712 double sparse 也可以对比稀疏矩阵和原始矩阵的运行时间(和稀疏程度有关) 代码:tic;H*message';toc; 结果:时间已过 0.288934 秒。 代码:tic;H_sparse*message';toc; 结果:时间已过 0.001210 秒。 类型转换 MATLAB中的运算符支持多种类型,譬如矩阵乘法中多用double型变量,但如果一个矩阵是逻辑输入也没有关系。但运算速度差异较大,譬如 >> Gc_logic = Gc>0; >> a=randi([0 1],1,16384); >> tic;b = a*Gc;toc 时间已过 0.107618 秒。 >> tic;b = a*Gc_logic;toc 时间已过 0.503132 秒。 观测结果类型为double,我们可以大胆推测实际上逻辑型变量在运算过程中先转化为了double型(逻辑怎么乘呢?)另一个实验结果是 >> tic;Gc_logic=double(Gc_logic);b = a*Gc_logic;toc 时间已过 0.546412 秒。 这一定程度上证明了我们的假设。所以在运算过程中数据类型是重要的,如果上述乘法出现在循环内,那么实现转化矩阵类型是必要的。即使只运行一次,那么显式的转化矩阵类型(特制新建变量)也有好处。譬如 >> tic;Gt=double(Gc_logic);b = a*Gt;toc 时间已过 0.373506 秒。 通过创建新变量,运行速度些许。 向量化 向量化实际上是原代码修改中获益最大的方法,这实际上是因为原先的译码程序写了太多的循环。向量化后运行时间变成了原先的1/40 。当然,原先的代码通用性强,而向量化这个过程实际上是运用了H的一些结构的。译码函数太复杂,此处不做举例。 此处分析差分调制中的例子(实际上对这个程序没有什么影响) 原来的代码是这个样子的(更新值为其本身和前一个值的异或) encodeData_extend = [1 encodeData]; for num = 2:length(encodeData_extend) encodeData_extend(num) = xor(encodeData_extend(num),encodeData_extend(num-1)); end 向量化的结果为(累加模二代替异或) encodeData1 = [1 encodeData]; encodeData1_sum = cumsum(encodeData1); encodeData_2 = mod(encodeData1_sum,2); 运行时间分别为 时间已过 0.023424 秒。 时间已过 0.015003 秒。 虽然后者没有快很多,但这取决于向量的长度,长度大的话会有较大差距。 其他 MATLAB中提及的都能对代码运行速度带来细微的改进,包括
上述测试脚本(和以上运行条件有差别) %% 稀疏矩阵测试 |
profile |
上一小节内容中有一句"实际上对这个程序没有什么影响",我们怎么判断哪些代码要修改,哪些代码即使修改得再好对整个代码运行也没有什么影响呢?三种方法
profile的功能可以help以下如何使用,我没怎么看,所以不怎么会用……profile是用来分析代码各个语句的运行时间的工具。使用方法是
结果如下图 点击各个函数(脚本)可以仔细观测各个语句的运行状态,由此来帮助优化MATLAB代码,就像这样 反正挺不错的,但我不太会用就不多说了。 |
参考 |
MATLAB帮助 |