Arrays 初始化非标准值的双数组的最快方法

MATLAB提供了预分配/初始化数组的函数，这些函数使用诸如或之类的公共值。但是，如果我们希望数组具有一些任意

双
值，有多种方法可以实现，并且不清楚哪种方法更可取

这个问题并不是新问题——以前在和中讨论过。然而，经验表明，软件（特别是MATLAB及其执行引擎）和硬件随着时间的推移而变化，因此最好的方法可能在不同的系统上有所不同。不幸的是，前面提到的源代码没有提供基准测试代码，这可能是回答这个问题的最终（也是永恒的）方法

我正在寻找一个可以运行的基准测试，它可以告诉我在我的系统上使用的最快方法，考虑到我可能同时使用各种大小的“常规”双
数组和
gpuArray双
数组。
函数分配基准测试（arrSz）
如果nargin<1
arrSz=1000；
结束
%%公羊
t=[]；
disp（'--------------RAM中的分配-------------------'）
t（end+1）=timeit（@（）v1（arrSz），1）；
t（end+1）=timeit（@（）v2（arrSz），1）；
t（end+1）=timeit（@（）v3（arrSz），1）；
t（end+1）=timeit（@（）v4（arrSz），1）；
t（end+1）=timeit（@（）v5（arrSz），1）；
t（end+1）=timeit（@（）v6（arrSz），1）；
t（end+1）=timeit（@（）v7（arrSz），1）；
t=1E3*t；%转换为毫秒
disp（t）；disp（“”）；
[~，I]=min（t）；
disp（“结论：方法#“+I+”是CPU上最快的！”；disp（“”）；
%%弗拉姆
如果gpuDeviceCount==0，则返回；结束
t=[]；
disp（'--------------在VRAM中的分配-------------------'）
t（结束+1）=NaN；%不可能（？）在gpu上运行v1
t（end+1）=gputimeit（@（）v2gpu（arrSz），1）；
t（end+1）=gputimeit（@（）v3gpu（arrSz），1）；
t（end+1）=gputimeit（@（）v4gpu（arrSz），1）；
t（end+1）=gputimeit（@（）v5gpu（arrSz），1）；
t（end+1）=gputimeit（@（）v6gpu（arrSz），1）；
t（end+1）=gputimeit（@（）v7gpu（arrSz），1）；
t=1E3*t；%转换为毫秒
disp（t）；disp（“”）；
[~，I]=min（t）；
disp（“结论：方法#“+I+”是GPU上最快的！”）；
结束
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%RAM
功能输出=v1（M）
%在带有赋值的未定义矩阵上建立索引：
out（1:M，1:M）=pi；
结束
功能输出=v2（M）
%使用“one”函数对目标值进行索引：
标量=π；
out=标量（个（M））；
结束
功能输出=v3（M）
%将“零”函数与加法一起使用：
out=零（M，M）+pi；
结束
功能输出=v4（M）
%使用“repmat”功能：
out=repmat（π，[M，M]）；
结束
功能输出=v5（M）
%使用带乘法的“一”函数：
out=一（M）。*pi；
结束
功能输出=v6（M）
%带完全分配的默认初始化：
out=零（M）；
out（：）=pi；
结束
功能输出=v7（M）
%使用“repelem”函数：
out=重复次数（pi，M，M）；
结束
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%VRAM
功能输出=v2gpu（M）
标量=gpuArray（pi）；
out=标量（gpuArray.ones（M））；
结束
功能输出=v3gpu（M）
out=gpuArray.zeros（M，M）+gpuArray（pi）；
结束
功能输出=v4gpu（M）
out=repmat（gpuArray（pi），[M，M]）；
结束
功能输出=v5gpu（M）
out=gpuArray.ones（M）。*gpuArray（pi）；
结束
功能输出=v6gpu（M）
%带完全分配的默认初始化：
out=gpuArray.zero（M）；
out（：）=gpuArray（pi）；
结束
功能输出=v7gpu（M）
%使用“repelem”函数：
out=重复次数（gpuArray（pi），M，M）；
结束

运行上述操作（例如，输入
5000
）会产生以下结果：

--------------RAM中的分配---------------
110.4832  328.1685   48.7895   47.9652  108.8930   93.0481   47.9037
结论：方法#7是CPU上最快的！
---------------VRAM中的分配--------------
南37.0322 17.9096 14.2873 17.7377 16.1386 16.6330
结论：方法#4在GPU上速度最快！

。。。这告诉我们在任何情况下使用的最佳（或等效）方法。
我很确定我以前见过这种方法。你是不是抄袭了另一篇文章中的问题和答案？@Durkee绝对不是——我刚才自己写的。在与MATLAB相关的不同主题上有各种基准测试问题。你可能把它和别的东西混淆了。在发布之前，我确实努力找到了一个类似的问题，但我找不到完全相同的问题。当然，如果你能给我指出一篇非常相似的文章，我很乐意把我的答案移到那里（或者完全删除，如果它没有提供新的内容）。哦，对不起，我只记得这篇文章的CPU版本。不过，您可能需要考虑一个具有单精度的版本。在GPU上使用双精度通常不是一个好主意。@Durkee有链接吗？事实上，使用
单一
精度运行GPU计算有速度优势，但对于我来说，这与我的目的无关，因为我需要额外的精度。如果使用
single
精度，您是否怀疑基准会产生不同的结果（就最佳方法而言）？如果是这样的话，那么就更有理由使用基准测试代码。@Dev-iL内存分配对于single或double不会有什么不同（好吧，它将是x2）。不过，除非您使用的是特斯拉系列的GPU，否则在使用双倍运算的GPU中，计算速度将慢2倍以上，因为几乎所有的GPU处理器都是32位的。如果您有图像处理工具箱，则是另一种选择：
padarray（pi，[M，M]-1，pi，'post'）
我建议这样做是为了让你的方法列表更加完整。@rahnema1我刚刚检查过，所以
padarray
调用
padarray\u algo
调用
MkConstary
，它只不过是
repmat
，这意味着它只是
v4
的一个较慢的版本（由于所有额外的步骤，如
padarray
）的输入验证。我已经在本地对其进行了基准测试，我的怀疑得到了证实-它的性能比
v4
稍差一点-与
v3
大致相同。因此，因为它只是