Julia dot向量化-我需要向量化到呼叫链的多深？

我试图用一个非常简单的线性插值样条曲线的例子来研究Julia的点矢量化语法

function createlookup(xk)
    min_i = 1
    max_i = size(xk, 1) - 1
    function inner(x)
        max(min(searchsorted(xk, x).stop, max_i), min_i)
    end
    inner
end


function linear_dydx(x, y)
    diff(y, dims=1) ./ diff(x, dims=1)
end


function linear(xₖ, yₖ)
    segment = createlookup(xₖ)
    dydxₖ = linear_dydx(xₖ, yₖ)
    function inner(x)
        i = segment(x)
        y = yₖ[i] + dydxₖ[i] * (x - xₖ[i])
    end
    inner
end


function main()
    xₖ = [0.0, 1.0, 2.0, 4.0]
    yₖ = [0.0, 2.0, 10.0, 13.0]
    interpolator = linear(xₖ, yₖ)

    x = [i/2.0 for i=0:10]

    println(interpolator(2.43))
    println(interpolator.(x))
end

main()

我需要在调用链的多深处使用点符号来确保我对

interpolator.（x）

的

main（）

调用被解释器完全矢量化

• createlookup

  是否需要任何矢量化

• linear\u dydx

  是否已通过

  diff

  和

  进行矢量化

• 我需要

  @.

  在

  y=y前面吗ₖ[i] +dydxₖ[i] *（x-x）ₖ[i] ）

---

我发现自己到处乱扔点，不知道如何检查自己是否捕获了所有内容，同时仍然保持点表示法应该保持的广播灵活性。

要记住的一般策略是，如果有意义的话，将所有函数都写为标量函数。一旦编写了标量操作，就可以使用

一次将它们应用于数组。

这似乎已经奏效，至少在功能上是这样。我是否可以使用分析工具来确保单个矢量化按预期进行？你说的“按预期进行”是什么意思？进行了优化（例如最小化临时数组等）

@profile

或

@profview

中的

@profview

可能会有所帮助。也就是说，如果您只进行一次广播，您将只获得1个阵列分配（如果您预先分配了输出，则为0）。您还可以使用BenchmarkTools.jl（您基本上应该将其用于所有基准测试）。它将告诉您分配的数量和大小。如果上面写着“1分配”，你肯定很好。也很容易使用。