单元阵列广播求和-MATLAB_Matlab_Vectorization_Cell Array

单元阵列广播求和-MATLAB

matlab

单元阵列广播求和-MATLAB,matlab,vectorization,cell-array,Matlab,Vectorization,Cell Array,假设我有一个矩阵，如下所示： C1=nx2单元每个单元都是[5x5双精度] C2=1x1单元包含一个[5x5双精度] 如何将C3计算为： C3{1,1} = C1{1,1}+C2{1,1}; C3{1,2} = C1{1,2}+C2{1,1}; . . C3{n,2} = C1{n,2}+C2{1,1}; 使用cellfun或任何其他不循环的方法对于具有规则大小数组的情况，最好使用多维数组，而不是慢速单元格数组。尽管如此，还是坚持使用单元数组，这里

假设我有一个矩阵，如下所示：

C1=nx2单元

每个单元都是

[5x5双精度]

C2=1x1单元

包含一个

[5x5双精度]

如何将

C3

计算为：

C3{1,1} =  C1{1,1}+C2{1,1};
C3{1,2} =  C1{1,2}+C2{1,1};
          .
          .
C3{n,2} =  C1{n,2}+C2{1,1};

使用

cellfun

或任何其他不循环的方法

对于具有规则大小数组的情况，最好使用多维数组，而不是慢速单元格数组。尽管如此，还是坚持使用单元数组，这里有一个向量化的解决方案，在将它们转换为多维数组之后，它将用作向量化广播求和的基础-

%// Store size of each cell and size of C1 for later reshaping purposes
[m,n] = size(C1{1,1})
[nr,nc] = size(C1);

%// Perform broadcasted summations with BSXFUN
sums = bsxfun(@plus,cat(3,C1{:}),C2{1,1})

%// Reshape and convert back to cell arrays as desired output 
out = reshape(mat2cell(sums,m,n,ones(1,nr*nc)),nr,nc)

对于具有规则大小数组的情况，最好使用多维数组，而不是慢速单元数组。尽管如此，还是坚持使用单元数组，这里有一个向量化的解决方案，在将它们转换为多维数组之后，它将用作向量化广播求和的基础-

%// Store size of each cell and size of C1 for later reshaping purposes
[m,n] = size(C1{1,1})
[nr,nc] = size(C1);

%// Perform broadcasted summations with BSXFUN
sums = bsxfun(@plus,cat(3,C1{:}),C2{1,1})

%// Reshape and convert back to cell arrays as desired output 
out = reshape(mat2cell(sums,m,n,ones(1,nr*nc)),nr,nc)

直接使用可以实现您想要的功能：

C3 = cellfun(@(x) x+C2{1,1},C1,'uniformoutput',false);

这将基本上在单元数组的每个元素上循环

C1

，并为每个元素应用匿名函数

@（x）x+C2{1,1}

，即每个元素将被添加到

C2{1,1}

。结果元素以与

C1

大小相同的单元格数组返回

对于一些较小的测试用例，我比较了这个解决方案和那个解决方案。结果并非微不足道，因为

cellfun

和

cat

（用于Divakar的解决方案）的速度都非常慢。我加入了第三个版本进行检查，其中我在匿名函数中定义了一个临时变量：

tmpvar=C2{1,1};
C3a2=cellfun(@(x) x+tmpvar,C1,'uniformoutput',false);

这背后的基本原理是，访问单个单元格元素应该有一些开销，我不确定整个单元格是否被拉入匿名函数的工作区

我定义了一个单独的函数来测试这三种情况，以便让JIT完成它的工作（但请注意，我使用的是R2012b，一个更新的版本可能会给出完全不同的结果，但需要注意）。我在相同的随机输入上运行所有三个案例（使用大小为

C2

的单元格数组

[1,1]

，并包含与

C1{k，l}

大小相同的数组），从10次尝试中选择最短的运行时间（基于

tic/toc

）

5x5

矩阵的

10x10

单元阵列：

```
cellfun
```
：
```
0.000452s
```
```
cellfun
```
+
```
tmpvar
```
：
```
0.000287s
```
```
bsxfun（cat）
```
：
```
0.002970 s
```

5x5

矩阵的

100x100

单元阵列：

```
cellfun
```
：
```
0.000988 s
```
```
cellfun
```
+
```
tmpvar
```
：
```
0.000963s
```
```
bsxfun（cat）
```
：
```
0.004661 s
```

10x10

矩阵的

5x5

单元阵列：

```
cellfun
```
：
```
0.001580s
```
```
cellfun
```
+
```
tmpvar
```
：
```
0.000945s
```
```
bsxfun（cat）
```
：
```
0.011358 s
```

100x100

矩阵的单元阵列

5x5

矩阵：

```
cellfun
```
：
```
0.108276s
```
```
cellfun
```
+
```
tmpvar
```
：
```
0.082675 s
```
```
bsxfun（cat）
```
：
```
1.132417s
```

基于这些小测试用例，我很想得出这样的结论

如果较大的单元格数组较大，在给定给

cellfun

的匿名函数中使用临时变量确实可以计数，这是有意义的（因为该函数的计算次数较大）

基于

bsxfun（cat）

的解决方案对于小单元阵列稍微慢一点，对于大单元阵列则慢得多。我怀疑

cat

是罪魁祸首：

cat

需要花很多时间才能把额外的维度放在一起。我甚至可以想象，使用带有预分配的循环可能比

cat

更好

对于新的执行引擎，以及更大的（

n>1000

）矩阵和单元数组，检查相同的情况会很有趣

直接使用可以实现您想要的功能：

C3 = cellfun(@(x) x+C2{1,1},C1,'uniformoutput',false);

这将基本上在单元数组的每个元素上循环

C1

，并为每个元素应用匿名函数

@（x）x+C2{1,1}

，即每个元素将被添加到

C2{1,1}

。结果元素以与

C1

大小相同的单元格数组返回

对于一些较小的测试用例，我比较了这个解决方案和那个解决方案。结果并非微不足道，因为

cellfun

和

cat

（用于Divakar的解决方案）的速度都非常慢。我加入了第三个版本进行检查，其中我在匿名函数中定义了一个临时变量：

tmpvar=C2{1,1};
C3a2=cellfun(@(x) x+tmpvar,C1,'uniformoutput',false);

这背后的基本原理是，访问单个单元格元素应该有一些开销，我不确定整个单元格是否被拉入匿名函数的工作区

C2

的单元格数组

[1,1]

，并包含与

C1{k，l}

大小相同的数组），从10次尝试中选择最短的运行时间（基于

tic/toc

）

5x5

矩阵的

10x10

单元阵列：

```
cellfun
```
：
```
0.000452s
```
```
cellfun
```
+
```
tmpvar
```
：
```
0.000287s
```
```
bsxfun（cat）
```
：
```
0.002970 s
```

5x5

矩阵的

100x100

单元阵列：