在Matlab量化代码的运行速度比一个快得多for循环（参见在八度一台机器上的并行计算-包，并例如在八度具体结果）

随着中说，有没有办法向量化在Matlab或倍频图所示的代码？

x = -2:0.01:2;
y = -2:0.01:2;
[xx,yy] = meshgrid(x,y);
z = sin(xx.^2-yy.^2);

Answer 1:

正如@Jonas指出的那样，在MATLAB提供了几个选项，其中效果最好取决于几个因素，如：

如何大是你的问题
有多少机器您有可用
你有一个GPU
MATLAB是否已经多线程操作

许多的elementwise操作在MATLAB多线程现在 - 在这种情况下，一般是采用PARFOR小点（除非你有多个计算机和可用的MATLAB分布式计算服务器许可证）。

需要多台机器的内存真正巨大的问题可以受益于分布式数组。

使用GPU可以击败一台机器的多线程性能，如果你的问题是对GPU计算的合适的尺寸和类型。量化代码往往是最自然适合通过GPU并行。例如，你可以使用编写代码gpuArray从并行计算工具箱就像这样和拥有一切在GPU上运行。

x = parallel.gpu.GPUArray.colon(-2,0.01,2);
y = x;
[xx,yy] = meshgrid(x,y); % xx and yy are on the GPU
z = arrayfun( @(u, v) sin(u.*u-v.*v), xx, yy );

我转换最后一行有到arrayfun呼叫作为使用时是更有效的gpuArray秒。

Answer 2:

在Matlab中，只有这样，才能获得内置矢量功能，多线程是等待MathWorks公司以实现他们这样。

或者，你可以写矢量计算作为一个循环，在使用并行运行它们parfor 。

最后，许多功能都启用了GPU的，所以可以访问并行处理工具箱可以并行这些操作，包括减法和逐元素力量。

Answer 3:

矢量的`meshgrid`和`ndgrid`

如果你仍然有兴趣在寻找一个量化的实施，使meshgrid的问题更快的基于代码，让我提出一个量化的方法bsxfun ，它的GPU移植版本。我坚信，人们必须考虑vectorization with GPUs是有前途的选项，以加快MATLAB代码。该应用代码meshgrid或ndgrid并且其输出是与一些的elementwise操作设定操作的完美地采用bsxfun到这些码。要添加到，利用GPU与bsxfun ，让它的元素与独立CUDA核心成百上千可用的工作，令它非常适合GPU实现。

为了您的具体问题，投入是 -

x = -2:0.01:2;
y = -2:0.01:2;

接下来，你有 -

[xx,yy] = meshgrid(x,y);
z = sin(xx.^2-yy.^2);

随着bsxfun ，这成为一个班轮-

z = sin(bsxfun(@minus,x.^2,y.^2.'));

标杆

GPU基准测试技巧，从采取措施，提高GPU的性能。

%// Warm up GPU call with insignificant small scalar inputs
temp1 = sin_sqdiff_vect2(0,0);

N_arr = [50 100 200 500 1000 2000 3000]; %// array elements for N (datasize)
timeall = zeros(3,numel(N_arr));

for k = 1:numel(N_arr)
    N = N_arr(k);
    x = linspace(-20,20,N);
    y = linspace(-20,20,N);

    f = @() sin_sqdiff_org(x,y);%// Original CPU code
    timeall(1,k) = timeit(f);
    clear f

    f = @() sin_sqdiff_vect1(x,y);%// Vectorized CPU code
    timeall(2,k) = timeit(f);
    clear f

    f = @() sin_sqdiff_vect2(x,y);%// Vectorized GPU(GTX 750Ti) code
    timeall(3,k) = gputimeit(f);
    clear f
end

%// Display benchmark results
figure,hold on, grid on
plot(N_arr,timeall(1,:),'-b.')
plot(N_arr,timeall(2,:),'-ro')
plot(N_arr,timeall(3,:),'-kx')
legend('Original CPU','Vectorized CPU','Vectorized GPU (GTX 750 Ti)')
xlabel('Datasize (N) ->'),ylabel('Time(sec) ->')

相关功能

%// Original code
function z = sin_sqdiff_org(x,y)
[xx,yy] = meshgrid(x,y);
z = sin(xx.^2-yy.^2);
return;

%// Vectorized CPU code
function z = sin_sqdiff_vect1(x,y)
z = sin(bsxfun(@minus,x.^2,y.^2.')); %//'
return;

%// Vectorized GPU code
function z = sin_sqdiff_vect2(x,y)
gx = gpuArray(x);
gy = gpuArray(y);
gz = sin(bsxfun(@minus,gx.^2,gy.^2.')); %//'
z =  gather(gz);
return;

结果

结论

作为结果显示，与GPU量化方法表现出良好的性能提升大约是4.3x对量化CPU代码和6x对原来的代码。请记住，GPU必须克服所需用它建立一个最小的开销，所以看到的改善至少需要一个体面的大小输入。我们希望，人们会探索更多的vectorization with GPUs ，因为它可以强调也不过分！

文章来源: Vectorization for meshgrid in Matlab (or Octave)