Question

我使用Eigen计算两个矩阵的内积，第一个是A =（B C）.eval（），第二个是D =（E F）.eval（）。这里B，C，E，F具有相同的尺寸（1500 * 1500）但具有不同的值。我发现第一个花费大约200毫秒，而第二个花费大约6000毫秒，我不知道为什么会这样。

#include <iostream>
#include <time.h>

#include "Eigen/Dense"

int main() {
    clock_t start, stop;

    Eigen::MatrixXf mat_a(1200, 1500);
    Eigen::MatrixXf mat_b(1500, 1500);
    Eigen::MatrixXf mat_r(1000, 1300);
    int i, j;
    float c = 0;
    for (i = 0; i < 1200; i++) {
        for (j = 0; j < 1500; j++) {
            mat_a(i, j) = (float)(c/3 * 1.0e-40);
            //if (i % 2 == 0 && j % 2 == 0) mat_a(i, j);
            c++;
        }
    }
    //std::cout << mat_a.row(0) << std::endl;
    c = 100;
    for (i = 0; i < 1500; i++) {
        for (j = 0; j < 1500; j++) {
            mat_b(i, j) = (float)(c/3 * 0.5e-10);
            c++;
        }
    }
    //std::cout << mat_b.row(0) << std::endl;

    start = clock();
    mat_r = mat_a * mat_b;
    stop = clock();
    std::cout << stop - start << std::endl;
    getchar();
    return 0;
}

如上面的示例代码所示。我发现这是由矩阵的值引起的，当mat_a具有关于e-40的值并且mat_b具有关于e-10的值时，该问题稳定地发生。

有没有人可以解释它？

Answer 1

这是因为您的矩阵包含denormal numbers，它们处理CPU的速度很慢。您应该确保使用合理的单位，以便将它们视为零，然后启用齐居为零（FTZ）和非正常为零的标志（DAZ），例如使用快速数学模式您的编译器或运行时，请参阅this SO question。

为什么特征中相同尺寸矩阵的内积成本差异很大？

1 个答案: