提高matlab執行速度的心得
阿新 • • 發佈：2019-01-28
空間上：
1. 建議使用A = logical(sparse(m,n))，不建議使用 A = sparse(false(m,n))，兩者結果一樣，但是後者生成m×n的臨時矩陣，浪費空間，且當m、n很大時，後者不一定能申請成功；
2. 使用sparse幾點注意：
a) 只能用在二維以下的矩陣上；
b) 由於matlab按照“先行後列”的方式讀取資料（即先把第一列所有行讀取完以後再讀取第二列的各行），因此定義稀疏矩陣時，最好“行數>列數”，這樣有利於定址和空間的節省（自己試試a=sparse(10,5); whos a和b= sparse(5,10);whos b就知道了）；
c) 對大型矩陣用sparse非常有效（不但節省空間，而且加快速度，強烈推薦！這在動態申請陣列空間的時候尤其方便，當然了，陣列不是太大的時候也可以使用eval即字串的方法），但對小型矩陣使用反而增加儲存量（自己試試a=false(5,1); whos a和b=logical(sparse(5,1));whos b就知道了），相信這是由稀疏矩陣需要儲存額外的資訊引起的。
3. 儘量按照精度來選擇資料的型別，例如，如果只需用到0－255之間的整數，則定義矩陣為uint8型就ok了，定義方式：A = zeros(10,10,’uint8’)；可以用intmin(‘uint8’)和intmax(‘uint8’)返回該種類型的最值。
時間上：
1. 在for迴圈中，清零操作用賦值語句 A = B，其中B是在for迴圈外的一個同A大小一樣的全0陣，不要使用A(:) = 0；但這樣會大大影響後面的逐點運算速度。這個問題要請教高手，那就是“個別語句的改動會引起其他語句的執行速度”。例如分別執行3萬多次下面程式碼，但執行時間有較大差別：
iLen = length(find(alRegion)); % 0.58 s
if iLen >= iThreshold_2 % 0.05 s
…
end
和
iLen = sum(alRegion); % 0.37 s
if iLen >= iThreshold_2 % 0.40 s
…
end
2. Find函式較慢，可用logical函式代替，但是，當需要取得滿足條件的下標時，就無法使用logical函式，這已經在我之前的帖子中提及過。不過，大家有沒有想過，連find函式都可以進行優化的，方法是用“基本矩陣進行顯式邏輯引用”來代替find。例如，假設矩陣A是一個61*73*20的三維邏輯矩陣，如果用下面的語句迴圈3萬多次，需要的時間是13 s ：
B = find(A == true);
如果採用下面的方法，則只需要不到0.7 s：
首先定義一個索引矩陣：
a3iCubicIdx = uint32(1:iTotalVoxel); % uint32可以根據需要調整，這裡省略了條件判斷
a3iCubicIdx = reshape(a3iCubicIdx, [iVolLen, iVolWdh, iVolHgh]);
然後在迴圈中寫以下程式碼：
a3iTemp = a3iCubicIdx(iXmin:iXMax,iYMin:iYMax,iZMin:iZMax);
B = aiTemp(A(iXmin:iXMax,iYMin:iYMax,iZMin:iZMax));
當然了，改進的前提是知道矩陣A的非零元（即值為true的元素）大致的分佈，也就是能夠求出iXmin:iXMax,iYMin:iYMax,iZMin:iZMax這個範圍。現在終於明白並體會到cwit所說的“連num2str都優化過”的含義了。
3. 不斷優化程式碼，例如corrcoef函式，matlab自帶的corrcoef函式求整個矩陣所有列的相關係數，因為我只需要求出某一列跟其他各列的相關係數，所以參照corrcoef函式自己寫了一個，不但把速度提了上去，而且還發現了：repmat(5，100，1)的速度並不比ones(100,1)*5 快，另外，別小看一個小矩陣的轉置操作，當迴圈次數很大的時候，有沒有轉置就相差很遠了。
4. 使用邏輯運算子&、| 時，兩個操作物件最好是logical型別，否則速度會減慢。
5. 二維矩陣轉置操作可以用以下三種方法進行，三者的效率基本一樣（時空），如果遇到三維以上的矩陣要轉置，用permute命令較為方便：
a) A = A’;
b) A = permute(A,[2,1]);
c) A = shiftdim(A,1);
6. “使用eval方式動態儲存多個一維陣列”比“使用二維陣列動態儲存多個一維陣列”要快，即：eval(['A_', num2str(k),' = B;']);比 A(k,:) = B; 快，其中B是一個一維陣列，k表示迴圈次數。注：並非所有B都進行儲存，只儲存滿足某個條件的B，另外，對預申請空間A不成功，這是對結論的補充說明。值得注意的是，如果對B是一個稀疏的一維陣列，則eval方式的優勢蕩然無存，當k增大時反而增加系統開銷。
7. 當矩陣很大時，利用A(:,k+1:end)=[];去掉多餘元素操作時會減慢程式的執行，因此，如果後續處理中沒有用到這些多餘元素，則沒有必要使用這個語句，即不管就是了。
8. 當需要對很大的一個矩陣進行操作時，可以考慮使用迴圈來完成。例如corrcoef函式，如果處理的物件矩陣A是100*180時（即對100個列向量求它們兩兩之間的相關程度，假設需要的只是前面99個與第100個向量的相關係數，其他不需要用到），直接用corrcoef(A)會比較慢，這時候可以考慮把矩陣A分為5個部分，每個子塊與第100個向量進行相關，這樣速度會更快。
9. 區域性比較、賦值比全域性比較、賦值要快（呵呵，這是廢話），假設A、B都是三維邏輯矩陣，如果只想對某個區域性（例如X_1:X_2,Y_1:Y_2,Z_1:Z_2這個立方體）進行比較和賦值，則推薦使用B(X_1:X_2,Y_1:Y_2,Z_1:Z_2) = B(X_1:X_2,Y_1:Y_2,Z_1:Z_2) & ~A(X_1:X_2,Y_1:Y_2,Z_1:Z_2)，這比B(A) = false或B = B&~A速度上都要快不少。
1. 建議使用A = logical(sparse(m,n))，不建議使用 A = sparse(false(m,n))，兩者結果一樣，但是後者生成m×n的臨時矩陣，浪費空間，且當m、n很大時，後者不一定能申請成功；
2. 使用sparse幾點注意：
a) 只能用在二維以下的矩陣上；
b) 由於matlab按照“先行後列”的方式讀取資料（即先把第一列所有行讀取完以後再讀取第二列的各行），因此定義稀疏矩陣時，最好“行數>列數”，這樣有利於定址和空間的節省（自己試試a=sparse(10,5); whos a和b= sparse(5,10);whos b就知道了）；
c) 對大型矩陣用sparse非常有效（不但節省空間，而且加快速度，強烈推薦！這在動態申請陣列空間的時候尤其方便，當然了，陣列不是太大的時候也可以使用eval即字串的方法），但對小型矩陣使用反而增加儲存量（自己試試a=false(5,1); whos a和b=logical(sparse(5,1));whos b就知道了），相信這是由稀疏矩陣需要儲存額外的資訊引起的。
3. 儘量按照精度來選擇資料的型別，例如，如果只需用到0－255之間的整數，則定義矩陣為uint8型就ok了，定義方式：A = zeros(10,10,’uint8’)；可以用intmin(‘uint8’)和intmax(‘uint8’)返回該種類型的最值。
時間上：
1. 在for迴圈中，清零操作用賦值語句 A = B，其中B是在for迴圈外的一個同A大小一樣的全0陣，不要使用A(:) = 0；但這樣會大大影響後面的逐點運算速度。這個問題要請教高手，那就是“個別語句的改動會引起其他語句的執行速度”。例如分別執行3萬多次下面程式碼，但執行時間有較大差別：
iLen = length(find(alRegion)); % 0.58 s
if iLen >= iThreshold_2 % 0.05 s
…
end
和
iLen = sum(alRegion); % 0.37 s
if iLen >= iThreshold_2 % 0.40 s
…
end
2. Find函式較慢，可用logical函式代替，但是，當需要取得滿足條件的下標時，就無法使用logical函式，這已經在我之前的帖子中提及過。不過，大家有沒有想過，連find函式都可以進行優化的，方法是用“基本矩陣進行顯式邏輯引用”來代替find。例如，假設矩陣A是一個61*73*20的三維邏輯矩陣，如果用下面的語句迴圈3萬多次，需要的時間是13 s ：
B = find(A == true);
如果採用下面的方法，則只需要不到0.7 s：
首先定義一個索引矩陣：
a3iCubicIdx = uint32(1:iTotalVoxel); % uint32可以根據需要調整，這裡省略了條件判斷
a3iCubicIdx = reshape(a3iCubicIdx, [iVolLen, iVolWdh, iVolHgh]);
然後在迴圈中寫以下程式碼：
a3iTemp = a3iCubicIdx(iXmin:iXMax,iYMin:iYMax,iZMin:iZMax);
B = aiTemp(A(iXmin:iXMax,iYMin:iYMax,iZMin:iZMax));
當然了，改進的前提是知道矩陣A的非零元（即值為true的元素）大致的分佈，也就是能夠求出iXmin:iXMax,iYMin:iYMax,iZMin:iZMax這個範圍。現在終於明白並體會到cwit所說的“連num2str都優化過”的含義了。
3. 不斷優化程式碼，例如corrcoef函式，matlab自帶的corrcoef函式求整個矩陣所有列的相關係數，因為我只需要求出某一列跟其他各列的相關係數，所以參照corrcoef函式自己寫了一個，不但把速度提了上去，而且還發現了：repmat(5，100，1)的速度並不比ones(100,1)*5 快，另外，別小看一個小矩陣的轉置操作，當迴圈次數很大的時候，有沒有轉置就相差很遠了。
4. 使用邏輯運算子&、| 時，兩個操作物件最好是logical型別，否則速度會減慢。
5. 二維矩陣轉置操作可以用以下三種方法進行，三者的效率基本一樣（時空），如果遇到三維以上的矩陣要轉置，用permute命令較為方便：
a) A = A’;
b) A = permute(A,[2,1]);
c) A = shiftdim(A,1);
6. “使用eval方式動態儲存多個一維陣列”比“使用二維陣列動態儲存多個一維陣列”要快，即：eval(['A_', num2str(k),' = B;']);比 A(k,:) = B; 快，其中B是一個一維陣列，k表示迴圈次數。注：並非所有B都進行儲存，只儲存滿足某個條件的B，另外，對預申請空間A不成功，這是對結論的補充說明。值得注意的是，如果對B是一個稀疏的一維陣列，則eval方式的優勢蕩然無存，當k增大時反而增加系統開銷。
7. 當矩陣很大時，利用A(:,k+1:end)=[];去掉多餘元素操作時會減慢程式的執行，因此，如果後續處理中沒有用到這些多餘元素，則沒有必要使用這個語句，即不管就是了。
8. 當需要對很大的一個矩陣進行操作時，可以考慮使用迴圈來完成。例如corrcoef函式，如果處理的物件矩陣A是100*180時（即對100個列向量求它們兩兩之間的相關程度，假設需要的只是前面99個與第100個向量的相關係數，其他不需要用到），直接用corrcoef(A)會比較慢，這時候可以考慮把矩陣A分為5個部分，每個子塊與第100個向量進行相關，這樣速度會更快。
9. 區域性比較、賦值比全域性比較、賦值要快（呵呵，這是廢話），假設A、B都是三維邏輯矩陣，如果只想對某個區域性（例如X_1:X_2,Y_1:Y_2,Z_1:Z_2這個立方體）進行比較和賦值，則推薦使用B(X_1:X_2,Y_1:Y_2,Z_1:Z_2) = B(X_1:X_2,Y_1:Y_2,Z_1:Z_2) & ~A(X_1:X_2,Y_1:Y_2,Z_1:Z_2)，這比B(A) = false或B = B&~A速度上都要快不少。