Сравнение BSXFUN и REPMAT - программирование

Несколько вопросов задавались перед сравнением между bsxfun и repmat для производительности.

С этим сообщением я пытаюсь исследовать числа производительности между bsxfun и repmat, чтобы охватить все bsxfun встроенные функции, чтобы дать им более широкую перспективу, как обе эти хорошие векторизованные решения.

Ответы

Ответ 1

Введение

Дискуссия о том, лучше ли bsxfun, чем repmat, или наоборот, продолжается как всегда. В этом посте мы попытаемся сравнить, как различные встроенные модули, которые поставляются с MATLAB, борются с эквивалентами repmat с точки зрения их исполнения во время выполнения и, надеюсь, сделают из них какие-то значимые выводы.

Знакомство с встроенными функциями BSXFUN

Если официальная документация выведена из среды MATLAB или через веб-сайт Mathworks, можно увидеть полный список встроенных функций поддерживается bsxfun. Этот список имеет функции для операций с плавающей точкой, реляционных и логических операций.

В MATLAB 2015A поддерживаемые элементы с плавающей запятой:

@plus (суммирование)
@minus (вычитание)
@times (умножение)
@rdivide (праводеление)
@ldivide (left-divide)
@pow (мощность)
@rem (остаток)
@mod (модуль)
@atan2 (четыре квадрантных обратных касательных)
@atan2d (четыре квадранта, обратная касательная в градусах)
@hypot (квадратный корень из суммы квадратов).

Второй набор состоит из элементарных реляционных операций, а именно:

@eq (равно)
@ne (не равно)
@lt (меньше)
@le (меньше или равно)
@gt (больше)
@ge (больше или равно).

Третий и последний набор содержит логические операции, перечисленные здесь:

@и (логический и)
@or (логический или)
@xor (логический xor).

Обратите внимание, что мы исключили из наших тестов сравнения два встроенных @max (maximum) и @min (minimum), так как может быть много способов реализовать их эквиваленты repmat.

Модель сравнения

Чтобы действительно сравнить характеристики между repmat и bsxfun, нам нужно убедиться, что тайминги должны покрывать только предназначенные операции. Таким образом, что-то вроде bsxfun(@minus,A,mean(A)) не будет идеальным, так как оно должно вычислять mean(A) внутри этого вызова bsxfun, каким бы незначительным это время не могло быть. Вместо этого мы можем использовать другой вход B того же размера, что и mean(A).

Таким образом, мы можем использовать: A = rand(m,n) и B = rand(1,n), где m и n - это параметры размера, которые мы могли бы варьировать и изучать характеристики, основанные на них. Это точно сделано в наших тестах бенчмаркинга, перечисленных в следующем разделе.

Версии repmat и bsxfun для работы с этими входами выглядят примерно так:

REPMAT: A + repmat(B,size(A,1),1)
BSXFUN: bsxfun(@plus,A,B)

Бенчмаркинг

Наконец, мы находимся в центре этой публикации, чтобы посмотреть, как эти двое борются с этим. Мы разделили бенчмаркинг на три набора: один для операций с плавающей запятой, другой для реляционных и третий для логических операций. Мы распространили сравнительную модель, как обсуждалось ранее, на все эти операции.

Set1: операции с плавающей запятой

Здесь первый набор эталонного кода для операций с плавающей запятой с repmat и bsxfun -

datasizes = [ 100 100; 100 1000; 100 10000; 100 100000;
              1000 100; 1000 1000; 1000 10000;
              10000 100; 10000 1000; 10000 10000;
              100000 100; 100000 1000];

num_funcs = 11;
tsec_rep = NaN(size(datasizes,1),num_funcs);
tsec_bsx = NaN(size(datasizes,1),num_funcs);
for iter = 1:size(datasizes,1)
    m = datasizes(iter,1);
    n = datasizes(iter,2);
    A = rand(m,n);
    B = rand(1,n);

    fcns_rep= {@() A + repmat(B,size(A,1),1),@() A - repmat(B,size(A,1),1),...
        @() A .* repmat(B,size(A,1),1), @() A ./ repmat(B,size(A,1),1),...
        @() A.\repmat(B,size(A,1),1), @() A .^ repmat(B,size(A,1),1),...
        @() rem(A ,repmat(B,size(A,1),1)), @() mod(A,repmat(B,size(A,1),1)),...
        @() atan2(A,repmat(B,size(A,1),1)),@() atan2d(A,repmat(B,size(A,1),1)),...
        @() hypot( A , repmat(B,size(A,1),1) )};

    fcns_bsx = {@() bsxfun(@plus,A,B), @() bsxfun(@minus,A,B), ...
        @() bsxfun(@times,A,B),@() bsxfun(@rdivide,A,B),...
        @() bsxfun(@ldivide,A,B), @() bsxfun(@power,A,B), ...
        @() bsxfun(@rem,A,B), @() bsxfun(@mod,A,B), @() bsxfun(@atan2,A,B),...
        @() bsxfun(@atan2d,A,B), @() bsxfun(@hypot,A,B)};

    for k1 = 1:numel(fcns_bsx)
        tsec_rep(iter,k1) = timeit(fcns_rep{k1});
        tsec_bsx(iter,k1) = timeit(fcns_bsx{k1});
    end
end
speedups = tsec_rep./tsec_bsx;

Set2: Реляционные операции

Операции реляционных операций с эталонным кодом для времени будут заменять fcns_rep и fcns_bsx на предыдущий код сравнения с этими копиями -

fcns_rep = {
    @() A == repmat(B,size(A,1),1), @() A ~= repmat(B,size(A,1),1),...
    @() A < repmat(B,size(A,1),1), @() A <= repmat(B,size(A,1),1), ...
    @() A > repmat(B,size(A,1),1), @() A >= repmat(B,size(A,1),1)};

fcns_bsx = {
    @() bsxfun(@eq,A,B), @() bsxfun(@ne,A,B), @() bsxfun(@lt,A,B),...
    @() bsxfun(@le,A,B), @() bsxfun(@gt,A,B), @() bsxfun(@ge,A,B)};

Set3: Логические операции

Окончательный набор кодов бенчмаркинга будет использовать логические операции, перечисленные здесь -

fcns_rep = {
    @() A & repmat(B,size(A,1),1), @() A | repmat(B,size(A,1),1), ...
    @() xor(A,repmat(B,size(A,1),1))};

fcns_bsx = {
    @() bsxfun(@and,A,B), @() bsxfun(@or,A,B), @() bsxfun(@xor,A,B)};

Обратите внимание, что для этого конкретного набора входные данные, необходимые A и B, были логическими массивами. Таким образом, мы должны были сделать эти изменения в более раннем эталонном коде для создания логических массивов -

A = rand(m,n)>0.5;
B = rand(1,n)>0.5;

Время выполнения и наблюдения

В этой конфигурации системы выполнялись коды бенчмаркинга:

MATLAB Version: 8.5.0.197613 (R2015a)
Operating System: Windows 7 Professional 64-bit
RAM: 16GB
CPU Model: Intel® Core i7-4790K @4.00GHz

Ускорение, полученное таким образом с помощью bsxfun over repmat после запуска тестовых тестов, было построено для трех наборов, как показано ниже.

а. Операции с плавающей точкой:

Немногочисленные наблюдения можно было бы сделать из графика ускорения:

Значительно два хороших случая ускорения с bsxfun для atan2 и atan2d.
Далее в этом списке находятся операции с правым и левым делением, которые увеличивают выполнение с помощью 30% - 50% по эквивалентным кодам repmat.
Далее в этом списке идут оставшиеся операции 7, чьи ускорения кажутся очень близкими к единице и, следовательно, требуют более тщательного изучения. График ускорения можно сузить до тех же 7 операций, как показано ниже -

На основании вышеприведенного графика видно, что запрет одноразовых случаев с @hypot и @mod, bsxfun по-прежнему выполняет примерно на 10% лучше, чем repmat для этих операций 7.

В. Реляционные операции:

Это второй набор эталонных тестов для следующих 6 встроенных реляционных операций, поддерживаемых bsxfun.

Рассматривая график ускорения выше, пренебрегая стартовым случаем, имеющим сопоставимые промежутки времени между bsxfun и repmat, можно легко увидеть bsxfun выигрыш для этих реляционных операций. С ускорением, касающимся 10x, bsxfun всегда будет предпочтительнее для этих случаев.

С. Логические операции:

Это третий набор эталонных тестов для оставшихся 3 встроенных логических операций, поддерживаемых bsxfun.

Пренебрегая одноразовым сопоставимым временем выполнения для @xor в начале, bsxfun, похоже, имеет верхнюю часть для этого набора логических операций.

Выводы

При работе с реляционными и логическими операциями repmat можно легко забыть в пользу bsxfun. Для остальных случаев все еще сохраняется bsxfun, если допустимы однократные случаи с меньшей производительностью 5 - 7%.
Увидев огромный прирост производительности при использовании реляционных и логических операций с bsxfun, можно подумать об использовании bsxfun для работы с данными с ragged patterns, что-то вроде массивов ячеек для производительность. Мне нравится называть эти случаи решения как те, которые используют bsxfun возможность маскировки. Это в основном означает, что мы создаем логические массивы, т.е. Маски с bsxfun, которые могут использоваться для обмена данными между массивами ячеек и числовыми массивами. Одним из преимуществ наличия работоспособных данных в числовых массивах является то, что векторизованные методы могут использоваться для их обработки. Опять же, поскольку bsxfun - хороший инструмент для векторизации, вы можете снова использовать его, работая над той же проблемой, поэтому есть больше причин узнать bsxfun. Несколько примеров решений, в которых я смог исследовать такие методы, связаны здесь в интересах читателей: 1, 2, 3, 4, 5.

Будущая работа

В настоящей работе основное внимание уделялось репликации данных по одному измерению с помощью repmat. Теперь repmat может реплицироваться по нескольким размерам, поэтому bsxfun с его расширениями, эквивалентными репликации. Таким образом, было бы интересно выполнить аналогичные тесты по репликации и расширениям на несколько измерений с помощью этих двух функций.