Arrays 阵列编程/矢量化：更快的代码？

最近，我喜欢八度音阶：把向量/矩阵当作标量，不用担心底层的循环等来计算矩阵乘法等等

有人告诉我，它不仅不容易出错，而且速度更快，因为编译器/解释器可以在幕后优化计算

---

我不知道为什么会这样。有人能解释为什么矢量化/数组编程会更有效吗？这是因为计算可以并行进行？

基本上，处理器的指令可以同时处理多条数据。只有当你批量完成类似的工作并同时完成所有工作时，你才能利用这些优势

有几个性能改进：

• 处理器有多个执行单元，否则在标量操作期间这些执行单元可能处于空闲状态
• 数据在同一时间被访问，这意味着它很可能位于内存中的类似位置以及不同级别的CPU缓存中
• 它需要更少的处理器指令来完成相同数量的工作，从而释放处理器管道前端的资源，因为它需要做的工作更少

---

要在不直接使用这些指令的情况下利用这些指令，您需要以编译器友好的方式排列代码。在您的例子中，这意味着利用矩阵和向量对象。

导致循环在倍频程中变慢的一个重要原因是，它在解释器中运行，而不像Java或C等通常编译的语言。解释和解释器与编译器之间的区别，但基本上编译器会在程序运行之前将您的代码转换为CPU可以运行（可能通过操作系统）的低级代码。这些语言通常是强类型的，也就是说，您必须预先声明所有变量，因此它们可以查看所有代码，优化程序分配内存和计算顺序的方式等。另一方面，解释器在运行时动态逐行翻译您的代码。这意味着它不知道将来会发生什么内存或计算。还有运行时的口译开销

那么，为什么矩阵运算在解释语言Octave中运行得更快呢？这是因为许多内置函数实际上是用另一种语言预编译的（在MATLAB中，它是C，不确定八度，但我猜是一样的），因此它们享受编译代码的加速优势

---

除此之外，您还可以公平地假设他们使用的算法比您更好。例如，考虑矩阵乘法。编写此代码的简单方法是在O（n^3）中运行的三重嵌套for循环。然而，也有一些可以提供亚立方运行时间，并可以导致巨大的速度提升。最后，我知道在MATLAB中，所以我也假设在Octave中，许多常见的内置函数也被编译，以便通过并行化利用多核进程。

在Octave中，它取决于您所谈论的操作。核心是在C++中实现的，例如元素矩阵乘法。正常的矩阵乘法是通过使用的BLAS库（例如ATLAS，它对特定的CPU类型进行了许多优化）和大量Fortran代码来完成的