为什么矢量化代码比MATLAB中的循环运行得更快？

我读过，但我仍然不明白为什么矢量化代码更快

---

在for循环中，我可以使用parfor进行并行计算。如果矢量化代码速度更快，是否意味着它会自动并行化？

否。您混合了两个重要概念：

• MATLAB设计用于快速执行向量运算。MATLAB是一种解释语言，这就是为什么它的循环速度如此之慢。MATLAB通过提供极快的（通常用C编写，并针对特定的体系结构进行了优化）和经过良好测试的函数来对向量进行操作，从而避开了这个问题。这里真的没有什么魔力，只是一堆艰苦的工作和多年不断的小改进

例如，考虑以下一个简单的情况：

s=0;
for i=1:length(v),
    s = s+v(i);
end

及

您可能应该使用tic和toc对这两个函数计时，以使自己确信运行时的差异。大约有10个类似的常用函数对向量进行操作，例如：

bsxfun

，

repmat

，

length

，

find

。矢量化是有效使用MATLAB的标准部分。除非你能有效地将代码矢量化，否则你只是MATLAB世界的游客，而不是公民

• MATLAB的最新版本提供了parfor。parfor不是一个银弹，它是一个可以被使用和误用的工具（在上面的sum示例中尝试parfor）。并不是所有的FOR都能被使用。parfor设计用于任务并行类型的问题，其中循环的每个迭代都独立于其他迭代。这是使用parfor循环的关键要求

---

虽然在许多情况下，parfor可以帮助很多，但可以用于获得非常大增益的循环类型很少出现。

在现代计算机中，寄存器（用于数学的临时内存，以及其他用途）有许多位，可以一起操作多个数。例如，如果您的数据是uint8（8位），您可以在一个CPU时钟中为每个数据添加一个数字，或者您可以将其中的8个数据放在寄存器中，并在一个CPU时钟中为所有数据添加一个数字。这样，您的工作速度比for loop快8倍

---

这在某种意义上是并行化，但不像parfor。Parfor使用多个CPU核心，在上述方法中，一个核心的使用效率更高。如果你同时使用它们，你可以获得更高的速度。

我同意carlosdc的答案。 但是，重要的是要记住，Matlab自6.5版以来就包含了一个JIT编译器，用于加速循环等

我用

v

中的一百万个元素快速测试了你的sum示例，得到了以下结果：

• 总和（v）

  ：4.3毫秒
• 循环版本的

  ：16毫秒

• 对于循环版本，无JIT

  ：966毫秒

JIT可以按如下方式打开和关闭：

feature accel off
feature accel on

---

通过矢量化代码来提高性能的一个因素4当然仍然是值得的，但是for循环不应该像以前那样让人害怕，因为它们在其他方面是一个很好的解决方案。但是，通常情况下，一段矢量化良好的代码通常会更简单，更不容易出错，同时速度更快。

您错过了一件重要的事情——matlab是一种解释性语言。这就是为什么它的循环速度如此之慢。特别是与高度优化的矩阵运算相比，matlab是为其设计的。谢：谢谢@Leonid Beschastny：我编辑了我的答案，以反映为什么matlab中的循环如此缓慢。谢谢。您可能还想补充一点，解释语言中循环速度慢的原因是每个函数调用都会带来一些开销。因此，当使用一百万个元素的数组调用函数一次时，要比使用标量调用它一百万次快得多。forloops在简单问题中仍然更好。同样适用于forloops。parforloops仅在问题需要大量计算时才能正常工作。否则，parforloops将花费太多低效的时间将作业分配给其他内核。此外，Matlab现在内置了一个JIT编译器，极大地缩小了for循环和矢量化代码之间的差距，正如我自己的答案所示。下面给出的答案是正确的，但事实上，我相信大型矩阵运算实际上可以自动并行运行。

feature accel off
feature accel on