如何加速MATLAB代码运行

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

日期	版本号	修订内容
2015/04/17	V1.0	初始版本

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

• 将长脚本拆开成小段，调用执行；
• 将大的代码块分开为独立的函数；
• 将过分复杂的函数或是表达式采用简单的来代替；
• 采用函数，而不是脚本；
• 向量化代码，采用MATLAB自带的函数；
• 采用矩阵的稀疏结构；
• 运行MATLAB的时候不要在后台运行其他大的程序；
• 不要重载任何MATLAB的内建函数或数据类型。

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

函数	功能（暂略）
all
any
cumsum
diff
find
ind2sub
ipermute
logical
meshgrid
ndgrid
permute
prod
repmat
reshape
shiftdim
sort
squeeze
sub2ind
sum

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 类型转换 向量化 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 将长脚本拆开成小段，调用执行； 将大的代码块分开为独立的函数； 将过分复杂的函数或是表达式采用简单的来代替； 采用函数，而不是脚本； 上述测试脚本（和以上运行条件有差别） %% 稀疏矩阵测试 M=; theta=[ ]; fai=[ ]; A = zeros(M); B = eye(M); L = :M-; for matrixNum = : t_k = theta(matrixNum); f_4i_M = floor(*L/M); f_k = fai(f_4i_M+,matrixNum)'; col_1 = M/*(mod((t_k+f_4i_M),)) + ... mod((f_k+L),M/); row_col = col_1+ + L*M; C_temp = zeros(M); C_temp(ind2sub([M,M],row_col)) = ; C{matrixNum} = sparse(C_temp)'; end H = [A A A B B+C{};B+C{} B+C{}+C{} A A B;A B B+C{} A C{}+C{}+C{}]; H_23 = [A A;B C{}+C{}+C{};C{}+C{}+C{} B]; H=[H_23 H]; H_full = full(H); whos H H_full %% 稀疏矩阵乘法测试 message = randi([ ],,); tic;H*message';toc; tic;H_full*message';toc; %% 数据类型测试 Gc = randn(); Gc_logic = Gc>; a=randi([ ],,); tic;b = a*Gc;toc tic;b = a*Gc_logic;toc %逻辑型运行花费时间 tic;Gc_logic=double(Gc_logic);b = a*Gc_logic;toc %类型转换 tic;Gt=double(Gc_logic);b = a*Gt;toc %建立新变量 %% 向量化测试 encodeData = randi([ ],,); tic; encodeData_extend = [ encodeData]; for num = :length(encodeData_extend) encodeData_extend(num) = xor(encodeData_extend(num),encodeData_extend(num-)); end toc; tic; encodeData1 = [ encodeData]; encodeData1_sum = cumsum(encodeData1); encodeData_2 = mod(encodeData1_sum,); toc;

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 感觉（不可靠） tic；toc；（太麻烦） profile工具（很不错） 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 输入profile on 运行需要测试的代码 输入profile viewer 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