我正在处理一些处理大型(但不是很大)数据集的 matlab 代码:10,000 784 个元素向量(非稀疏)，并计算有关存储在 10,000x10 稀疏矩阵中的信息。为了让代码正常工作，我迭代地做了一些比较棘手的部分，对 10k 项进行循环以处理它们，并对稀疏矩阵中的 10 项进行一些循环以进行清理。
我的流程最初需要 73 次迭代(因此，大约 730k 循环)来处理，并在大约 120 秒内运行。不错，但这是 matlab，所以我开始对其进行矢量化以加快速度。
最后我得到了一个完全矢量化的解决方案，它得到了相同的答案(所以它是正确的，或者至少与我的初始解决方案一样正确)，但运行时间为 274 秒，速度几乎是原来的一半!
这是我第一次遇到矢量化运行速度比迭代运行速度慢的 matlab 代码。是否有任何经验法则或最佳实践来确定何时可能/可能？
我很乐意分享代码以获得一些反馈，但它是针对当前开放的学校作业，所以我现在真的不能。如果它最终成为其中之一，“哇，这很奇怪，你可能做错了什么”，我可能会在一两周内重新审视它，看看我的矢量化是否有问题。
最佳答案
Matlab 中的矢量化通常意味着分配更多的内存(制作更大的数组以避免循环，例如 tony's trick)。随着最近版本中改进的循环 JIT 编译——您的矢量化解决方案所需的内存分配可能意味着没有优势，但如果没有看到代码，就很难说了。 Matlab 有一个出色的逐行分析器，可以帮助您了解矢量化版本的哪些特定部分占用了时间。
关于optimization - 什么时候不对 matlab 进行矢量化？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/1777425/