【问题标题】：Matlab performances with/without loops带/不带循环的 Matlab 性能
【发布时间】：2014-08-26 05:05:49
【问题描述】：

我在THIS 上读到了关于 SO 的评论，Matlab 在 for 循环中不再慢（c.f. link）。

我在学习期间经常使用 Matlab，我记得通过始终找到不涉及过多循环的解决方案（使用 reshape、repmat 或 arrayfun）节省了多少时间。

所以上面这篇文章引起了我的注意，我很快写了这个：

clear all; T = linspace(0,1,1e6);
tic
i = 0;
for t = T
    i = i + 1; y(i) = sin(t);
end
toc

clear all; T = linspace(0,1,1e6);
tic
i = 0;
y = zeros(numel(T), 1);
for t = T
    i = i + 1; y(i) = sin(t);
end
toc

clear all; T = linspace(0,1,1e6);
tic
y = sin(T);
toc

输出这个：

Elapsed time is 1.741640 seconds.
Elapsed time is 1.400412 seconds.
Elapsed time is 0.004076 seconds.

我还尝试切换accel 功能...

>feature accel on

但每次，即使对于更复杂的矩阵操作，使用原生 Matlab 函数的矢量化版本总是更快。

也许我遗漏了一些重要的观点，或者我的观点仍然正确：使用 Matlab，我们应该始终尽可能避免循环。

现在，我正在寻找一个反例。

【问题讨论】：

标签： performance matlab loops

【解决方案1】：

问题在于不同的人认为“慢”。

当 MATLAB for 循环从“难以置信的慢”变为“比矢量化版本慢 8 倍”时，将会出现

有些人惊呼：“哇，MATLAB 循环不再慢了！”
其他人说“MATLAB 在使用循环时变得更好。仍然不好，但可以忍受。”
有些人发现“嗯，8 倍的速度仍然很慢。一路矢量化”
最后一些人得出结论：“C 仍然更快，即使在矢量化代码上也是如此。MATLAB 只是没有削减它。”

在我看来，MATLAB 的循环速度仍然很慢（我猜我是第三组），您应该尽可能进行矢量化（除非可读性受到影响）。仅仅因为它过去更慢，并不能使当前的性能更好。

另外，MATLAB 还有一些其他的弱点：https://stackoverflow.com/a/17933146/1974021

【讨论】：

我也是第三组 :)

【解决方案2】：

可以建议几个例子来研究 for-loop 与 vectorization 的性能。

示例 #1

这只是计算多个元素的正弦的一个非常基本的计算。这个元素的数量是变化的，以评估手头的问题。灵感来自this screenshot link。

基准代码

num_runs = 1000;
N_arr = [ 1000 10000 100000 1000000];

%// Warm up tic/toc.
for k = 1:100
    tic(); elapsed = toc();
end

for k = 1:numel(N_arr)
    N = N_arr(k);
    tic
    for runs=1:num_runs
        out_f1 = zeros(1,N);
        for t = 1:N
            out_f1(t) = sin(t);
        end
    end
    t_forloop = toc/num_runs;
    
    tic
    for runs=1:num_runs
        out_v1 = sin(1:N);
    end
    t_vect = toc/num_runs;
end

结果

----------- Datsize(N) = 1000 -------------
Elapsed time with for-loops -       7.1826e-05
Elapsed time with vectorized code - 8.3601e-05
----------- Datsize(N) = 10000 -------------
Elapsed time with for-loops -       0.00068531
Elapsed time with vectorized code - 0.00045043
----------- Datsize(N) = 100000 -------------
Elapsed time with for-loops -       0.0074613
Elapsed time with vectorized code - 0.0053368
----------- Datsize(N) = 1000000 -------------
Elapsed time with for-loops -       0.077707
Elapsed time with vectorized code - 0.053255

请注意，这些结果与timeit 结果一致（此处未显示代码和结果）。

结论

结果表明，您可以像忘记 for-loops 一样快地忘记 10000 元素案例。

示例 #2

让我们考虑在 for 循环的每次迭代中使用元素数组的情况。让它在每次迭代中将sine、cosine、tan和sec存储到一列中，即[sin(t) ; cos(t) ; tan(t) ; sec(t)]。

For-loop 代码将是 -

out_f1 = zeros(4,N);
for t = 1:N
    out_f1(:,t) = [sin(t) ; cos(t) ; tan(t) ; sec(t)];
end

矢量化代码 -

out_v1 = [sin(1:N); cos(1:N) ; tan(1:N); sec(1:N)];

结果

----------- Datsize(N) = 100 -------------
Elapsed time with for-loops - 0.00011861
Elapsed time with vectorized code - 6.0569e-05
----------- Datsize(N) = 1000 -------------
Elapsed time with for-loops - 0.0011867
Elapsed time with vectorized code - 0.00036786
----------- Datsize(N) = 10000 -------------
Elapsed time with for-loops - 0.011819
Elapsed time with vectorized code - 0.0025536
----------- Datsize(N) = 1000000 -------------
Elapsed time with for-loops - 1.2329
Elapsed time with vectorized code - 0.33383

修改后的情况

人们很容易得出这样的结论，即 for-loop 在这里没有机会。但是等一下，我们如何再次进行元素分配，例如 for-loop 的示例 #1，像这样 -

out_f1 = zeros(4,N);
for t = 1:N
    out_f1(1,t) = sin(t);
    out_f1(2,t) = cos(t);
    out_f1(3,t) = tan(t);
    out_f1(4,t) = sec(t);
end

现在，这使用空间局部性，因此使用相同的竞争向量化代码将是 -

out_v1 = [sin(1:N) cos(1:N) tan(1:N) sec(1:N)]';

这个测试用例的这些修改代码的基准测试结果是 -

----------- Datsize(N) = 100 -------------
Elapsed time with for-loops - 3.1987e-05
Elapsed time with vectorized code - 6.9778e-05
----------- Datsize(N) = 1000 -------------
Elapsed time with for-loops - 0.00027976
Elapsed time with vectorized code - 0.00036804
----------- Datsize(N) = 10000 -------------
Elapsed time with for-loops - 0.0029712
Elapsed time with vectorized code - 0.0024423
----------- Datsize(N) = 100000 -------------
Elapsed time with for-loops - 0.031113
Elapsed time with vectorized code - 0.028549
----------- Datsize(N) = 1000000 -------------
Elapsed time with for-loops - 0.32636
Elapsed time with vectorized code - 0.28063

结论

后一个基准测试结果似乎再次证明，对于高达 10000 的元素，for-loop 获胜，之后矢量化解决方案将是首选。但必须注意的是，这是以编写元素分配为代价的。

最终结论

关于决定哪一侧（for循环或矢量化）更好的论点，似乎与黑白图片相差甚远。

【讨论】：

如果运行时间低于 1 秒，您应该使用另一个循环来平均另一个 1e6 执行的运行时间。如果没有这些措施，您将无法产生 1e-5s 量级的可靠运行时间。
@pyStarter 这很有用！现在运行时与 timeit 匹配。感谢您指出这个问题。

【解决方案3】：

使用真正的循环索引，jit 编译器会理解你的循环：

clear all; T = linspace(0,1,1e6);
tic
y = zeros(numel(T), 1);
for idx=1:numel(T)
    y(idx) = sin(T(idx));
end
toc

这样的代码要快得多。优化基于代码分析，编写清晰的代码并让 matlab 有机会成功分析它；）

【讨论】：

非常有趣 :) 但仍然比使用原生函数慢