Question

对于基准比较，我考虑简单的功能：

function dealiasing2d(where_dealiased, data)
[n1, n0, nk] = size(data);
for i0=1:n0 
    for i1=1:n1
        if where_dealiased(i1, i0)
            data(i1, i0, :) = 0.;
        end
    end
end

它在伪谱模拟中很有用（其中data是一个复数的3d数组），但基本上它将一个掩码应用于一组图像，将一些元素置为零{{1}是的。

我在这个简单的案例中比较了不同语言（以及实现，编译器......）的性能。对于Matlab，我使用timeit计算函数。由于我不想在Matlab中对我的无知进行基准测试，我想用这种语言真正优化这个功能。在Matlab中最快的方法是什么？

我现在使用的简单解决方案是：

where_dealiased

我怀疑这不是正确的方法，因为等效的Numpy解决方案快了大约10倍。

function dealiasing2d(where_dealiased, data)
[n1, n0, nk] = size(data);
N = n0*n1;
ind_zeros = find(reshape(where_dealiased, 1, []));
for ik=1:nk
    data(ind_zeros + N*(ik-1)) = 0;
end

最后，如果有人告诉我类似于＆＃34;当你想要在Matlab中使用特定函数非常快时，你应该像这样编译它：[...]＆＃34;，我会包括这样的基准测试中的解决方案。

编辑：

在2个答案之后，我对这些命题进行了基准测试，似乎没有明显的性能提升。这很奇怪，因为简单的Python-Numpy解决方案真的（一个数量级）要快得多，所以我仍然在寻找一个更好的Matlab解决方案......

Answer 1

如果我理解正确，可以使用bsxfun：

轻松快速地完成此操作

data = bsxfun(@times, data, ~where_dealiased);

这会将0为where_dealiased true的所有第三维组成部分设置为0（它将它们乘以1），其余部分保留为他们是（它乘以[size(data,1) size(data,2]==size(where_dealiased)）。

当然，这假定为reshape。

linear indexing的解决方案可能也非常快。为了节省一些时间，您可以删除find，因为ind_zeros = find(where_dealiased);已经返回线性索引：

{{1}}

Answer 2

方法＃1：Logical indexing repmat -

data(repmat(where_dealiased,1,1,size(data,3))) = 0;

方法＃2：Linear indexing与bsxfun(@plus -

[m,n,r] =  size(data);
idx = bsxfun(@plus,find(where_dealiased),[0:r-1]*m*n); %// linear indices
data(idx) = 0;

如果where_dealiased中的非零元素很少，那么这应该很快。

Answer 3

没有基准测试就没有优化！所以这里有一些提出的解决方案和性能测量。初始化代码是：

N = 2000;
nk = 10;

where = false([N, N]);
where(1:100, 1:100) = 1;
data = (5.+j)*ones([N, N, nk]);

我使用函数timeit对函数进行计时：

timeit(@() dealiasing2d(where, data))

为了进行比较，当我对问题中给出的Numpy函数执行完全相同的操作时，它的运行时间为0.0167秒。

具有2个循环的初始Matlab函数在大约0.34秒内运行，并且等效的Numpy函数（具有2个循环）较慢并且在0.42秒内运行。这可能是因为Matlab使用JIT编译。

Luis Mendo mentions我可以移除reshape因为find已经返回线性索引。我喜欢它，因为代码更清晰但是reshape无论如何非常便宜，所以它并没有真正提高函数的性能：

function dealiasing2d(where, data)
[n1, n0, nk] = size(data);
N = n0*n1;
ind_zeros = find(where);
for ik=1:nk
    data(ind_zeros + N*(ik-1)) = 0;
end

此功能需要0.23秒，这比使用2个循环的解决方案快，但与Numpy解决方案相比确实很慢（大约14倍！）。这就是我写我的问题的原因。

Luis Mendo also proposes基于函数bsxfun的解决方案，它提供：

function dealiasing2d_bsxfun(where, data)
data = bsxfun(@times, data, ~where);

此解决方案涉及N*N*nk次乘法（乘以1或0），这显然太多工作，因为我们只需将数组100*100*nk中的值data置为零。然而，这些乘法可以被矢量化，因此它非常快速。与其他Matlab解决方案相比：0.23 s，即与使用find的第一个解决方案相同！

Both solutions proposed by Divakar涉及创建大量N*N*nk的大型数组。没有Matlab循环所以我们希望有更好的表现，但是......

function dealiasing2d_bsxfun2(where, data)
[n1, n0, nk] = size(data);
idx = bsxfun(@plus, find(where), [0:nk-1]*n1*n0);
data(idx) = 0;

需要0.23秒（与其他功能的时间相同！）和

function dealiasing2d(where, data)
data(repmat(where,[1,1,size(data,3)])) = 0;

需要0.30秒（比其他Matlab解决方案多20％）。

总而言之，在这种情况下似乎存在限制Matlab性能的因素。它也可能是在Matlab中有一个更好的解决方案，或者我在基准测试中做错了...如果有人使用Matlab和Python-Numpy可以提供其他时间，那就太好了。

修改

有关Divakar评论的更多数据：

对于N = 500; nk = 500：

Method | time (s) | normalized ----------------|----------|------------ Numpy | 0.05 | 1.0 Numpy loop | 0.05 | 1.0 Matlab bsxfun | 0.70 | 14.0 Matlab find | 0.75 | 15.0 Matlab bsxfun2 | 0.76 | 15.2 Matlab loop | 0.77 | 15.4 Matlab repmat | 0.96 | 19.2

对于N = 500; nk = 100：

Method | time (s) | normalized ----------------|----------|------------ Numpy | 0.01 | 1.0 Numpy loop | 0.03 | 3.0 Matlab bsxfun | 0.14 | 12.7 Matlab find | 0.15 | 13.6 Matlab bsxfun2 | 0.16 | 14.5 Matlab loop | 0.16 | 14.5 Matlab repmat | 0.20 | 18.2

对于N = 2000; nk = 10：

Method | time (s) | normalized | ----------------|----------|------------| Numpy | 0.02 | 1.0 | Matlab find | 0.23 | 13.8 | Matlab bsxfun2 | 0.23 | 13.8 | Matlab bsxfun | 0.24 | 14.4 | Matlab repmat | 0.30 | 18.0 | Matlab loop | 0.34 | 20.4 | Numpy loop | 0.42 | 25.1 |

我真的很想知道为什么Matlab与Numpy相比显得那么慢......

优化＆＃34;掩码＆＃34;在Matlab中的功能

3 个答案: