Примечание
Бенчмарки в этом примере были измерены на машине с четырьмя физическими ядрами.
Этот пример показывает, как ускорить алгоритм обработки сигналов в MATLAB® использование codegen (MATLAB Coder) и dspunfold функций. Можно сгенерировать исполняемый файл MATLAB (MEX-функция) из всей функции MATLAB или определенных частей функции MATLAB. Когда вы запускаете MEX-функцию вместо оригинального кода MATLAB, скорость симуляции может значительно увеличиться. Чтобы сгенерировать эквивалент MEX, алгоритм должен поддержать генерацию кода.
Использовать codegen (MATLAB Coder), необходимо установить MATLAB Coder™. Использовать dspunfoldнеобходимо установить MATLAB Coder и DSP System Toolbox™.
Использовать dspunfold в Windows и Linux необходимо использовать компилятор, поддерживающий интерфейс приложения Open Multi-Processing (OpenMP). См. «Поддерживаемые компиляторы».
Рассмотрим простой алгоритм конечной импульсной характеристики, чтобы ускориться. Скопируйте firfilter код функции в firfilter.m файл.
function [y,z1] = firfilter(b,x) % Inputs: % b - 1xNTaps row vector of coefficients % x - A frame of noisy input % States: % z, z1 - NTapsx1 column vector of states % Output: % y - A frame of filtered output persistent z; if (isempty(z)) z = zeros(length(b),1); end Lx = size(x,1); y = zeros(size(x),'like',x); z1 = z; for m = 1:Lx % Load next input sample z1(1,:) = x(m,:); % Compute output y(m,:) = b*z1; % Update states z1(2:end,:) = z1(1:end-1,:); z = z1; end
firfilter функция принимает вектор коэффициентов фильтра , b, шумный входной сигнал, x, в качестве входов. Сгенерируйте коэффициенты фильтра, используя fir1 функция.
NTaps = 250; Fp = 4e3/(44.1e3/2); b = fir1(NTaps-1,Fp);
Фильтруйте поток сигнала шумной синусоиды при помощи firfilter функция. Синусоида имеет формат кадра 4000 выборок и частоту дискретизации 192 кГц. Сгенерируйте синусоиду, используя dsp.SineWave Системные object™. Шум является белым Гауссовым со средним значением 0 и отклонением 0,02. Назовите эту функцию firfilter_sim. firfilter_sim функция вызывает firfilter функция на шумном входе.
function totVal = firfilter_sim(b) % Create the signal source Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); totVal = zeros(4000,500); R = 0.02; clear firfilter; % Iteration loop. Each iteration filters a frame of the noisy signal. for i = 1 : 500 trueVal = Sig(); % Original sine wave noisyVal = trueVal + sqrt(R)*randn; % Noisy sine wave filteredVal = firfilter(b,noisyVal); % Filtered sine wave totVal(:,i) = filteredVal; % Store the entire sine wave end
Управляемый firfilter_sim и измерьте скорость выполнения. Скорость выполнения изменяется в зависимости от машины.
tic;totVal = firfilter_sim(b);t1 = toc;
fprintf('Original Algorithm Simulation Time: %4.1f seconds\n',t1);Original Algorithm Simulation Time: 7.8 seconds
codegenЗвонить codegen на firfilter, и сгенерировать его MEX эквивалент, firfilter_mex. Сгенерируйте и передайте коэффициенты фильтра и сигнал синусоиды как входы к firfilter функция.
Ntaps = 250; Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); % Create the Signal Source R = 0.02; trueVal = Sig(); % Original sine wave noisyVal = trueVal + sqrt(R)*randn; % Noisy sine wave Fp = 4e3/(44.1e3/2); b = fir1(Ntaps-1,Fp); % Filter coefficients codegen firfilter -args {b,noisyVal}
В firfilter_sim функция, замена firfilter(b,noisyVal) вызов функции с firfilter_mex(b,noisyVal). Назовите эту функцию firfilter_codegen.
function totVal = firfilter_codegen(b) % Create the signal source Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); totVal = zeros(4000,500); R = 0.02; clear firfilter_mex; % Iteration loop. Each iteration filters a frame of the noisy signal. for i = 1 : 500 trueVal = Sig(); % Original sine wave noisyVal = trueVal + sqrt(R)*randn; % Noisy sine wave filteredVal = firfilter_mex(b,noisyVal); % Filtered sine wave totVal(:,i) = filteredVal; % Store the entire sine wave end
Управляемый firfilter_codegen и измерьте скорость выполнения. Скорость выполнения изменяется в зависимости от машины.
tic;totValcodegen = firfilter_codegen(b);t2 = toc; fprintf('Algorithm Simulation Time with codegen: %5f seconds\n',t2); fprintf('Speedup factor with codegen: %5f\n',(t1/t2));
Algorithm Simulation Time with codegen: 0.923683 seconds Speedup factor with codegen: 8.5531
Ускорение усиления приблизительно 8.5.
dspunfold dspunfold функция генерирует многопоточный файл MEX, который может улучшить ускорение усиления еще больше.
dspunfold также генерирует однопоточный файл MEX и функцию самодиагностического анализатора. Многопоточный файл MEX использует многоядерную архитектуру процессора хоста-компьютера. Однопоточный файл MEX аналогичен файлу MEX, который codegen функция генерирует. Функция анализатора измеряет ускорение усиления многопоточного файла MEX по однопоточному файлу MEX.
Звонить dspunfold на firfilter и сгенерируйте его многопоточный эквивалент MEX, firfilter_mt. Определите длину состояния в выборках с помощью -f опция, которая может улучшить ускорение усиления дальше. -s auto инициирует автоматическое обнаружение длины состояния. Для получения дополнительной информации об использовании -f и -s опции, см. dspunfold.
dspunfold firfilter -args {b,noisyVal} -s auto -f [false,true]
State length: [autodetect] samples, Repetition: 1, Output latency: 8 frames, Threads: 4 Analyzing: firfilter.m Creating single-threaded MEX file: firfilter_st.mexw64 Searching for minimal state length (this might take a while) Checking stateless ... Insufficient Checking 4000 samples ... Sufficient Checking 2000 samples ... Sufficient Checking 1000 samples ... Sufficient Checking 500 samples ... Sufficient Checking 250 samples ... Sufficient Checking 125 samples ... Insufficient Checking 187 samples ... Insufficient Checking 218 samples ... Insufficient Checking 234 samples ... Insufficient Checking 242 samples ... Insufficient Checking 246 samples ... Insufficient Checking 248 samples ... Insufficient Checking 249 samples ... Sufficient Minimal state length is 249 samples Creating multi-threaded MEX file: firfilter_mt.mexw64 Creating analyzer file: firfilter_analyzer.p
Инструмент автоматического обнаружения длины состояния обнаруживает точную длину состояния 259 выборки.
Вызовите функцию анализатора и измерьте ускорение усиления многопоточного файла MEX относительно однопоточного файла MEX. Предоставьте по меньшей мере две различные системы координат для каждого входного параметра анализатора. Системы координат складываются по первой размерности. Анализатор чередуется между этими системами координат, проверяя, что выходы совпадают. Отказ нескольких систем координат для каждого входа может снизить эффективность анализатора и привести к ложным положительным результатам верификации.
firfilter_analyzer([b;0.5*b;0.6*b],[noisyVal;0.5*noisyVal;0.6*noisyVal]);
Analyzing multi-threaded MEX file firfilter_mt.mexw64. For best results, please refrain from interacting with the computer and stop other processes until the analyzer is done. Latency = 8 frames Speedup = 3.2x
firfilter_mt имеет коэффициент ускоренного усиления 3.2 при сравнении с однопоточным файлом MEX, firfilter_st. Чтобы увеличить скорость дальнейшего, увеличьте коэффициент повторения с помощью -r опция. Компромисс заключается в том, что задержка на выходе увеличивается. Используйте коэффициент повторения 3. Задайте точную длину состояния, чтобы уменьшить накладные расходы и увеличить скорость еще больше.
dspunfold firfilter -args {b,noisyVal} -s 249 -f [false,true] -r 3
State length: 249 samples, Repetition: 3, Output latency: 24 frames, Threads: 4 Analyzing: firfilter.m Creating single-threaded MEX file: firfilter_st.mexw64 Creating multi-threaded MEX file: firfilter_mt.mexw64 Creating analyzer file: firfilter_analyzer.p
Вызовите функцию анализатора.
firfilter_analyzer([b;0.5*b;0.6*b],[noisyVal;0.5*noisyVal;0.6*noisyVal]);
Analyzing multi-threaded MEX file firfilter_mt.mexw64. For best results, please refrain from interacting with the computer and stop other processes until the analyzer is done. Latency = 24 frames Speedup = 3.8x
Коэффициент ускорения усиления 3.8или примерно в 32 раза больше скорости выполнения исходной симуляции.
Для этого конкретного алгоритма можно увидеть, что dspunfold генерирует высоко оптимизированный код, без необходимости записывать какой-либо код C or C++. Ускорение усиления масштабируется с количеством ядер на вашей хост-машине.
Функция filter конечной импульсной характеристики в этом примере является только иллюстративным алгоритмом, который легко понять. Можно применить этот рабочий процесс к любому из пользовательских алгоритмов. Если вы хотите использовать конечная импульсная характеристика, рекомендуется использовать dsp.FIRFilter Системный объект в DSP System Toolbox. Этот объект запускается намного быстрее, чем номера бенчмарков, представленные в этом примере, без необходимости генерации кода.
Рассмотрим алгоритм фильтра Калмана, который оценивает сигнал синусоиды от шумного входа. Этот пример показывает эффективность фильтра Калмана с codegen и dspunfold.
Входной вход шумной синусоиды имеет формат кадра 4000 выборки и частоту дискретизации 192 кГц. Шум является белым Гауссовым со средним значением 0 и отклонением 0,02.
Функция filterNoisySignal вызывает kalmanfilter функция на шумном входе.
type filterNoisySignal
function totVal = filterNoisySignal
% Create the signal source
Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200);
totVal = zeros(4000,500);
R = 0.02;
clear kalmanfilter;
% Iteration loop to estimate the sine wave signal
for i = 1 : 500
trueVal = Sig(); % Actual values
noisyVal = trueVal + sqrt(R)*randn; % Noisy measurements
estVal = kalmanfilter(noisyVal); % Sine wave estimated by Kalman filter
totVal(:,i) = estVal; % Store the entire sine wave
endtype kalmanfilter
function [estVal,estState] = kalmanfilter(noisyVal)
% This function tracks a noisy sinusoid signal using a Kalman filter
%
% State Transition Matrix
A = 1;
stateSpaceDim = size(A,1);
% Measurement Matrix
H = 1;
measurementSpaceDim = size(H,1);
numTsteps = size(noisyVal,1)/measurementSpaceDim;
% Containers to store prediction and estimates for all time steps
zEstContainer = noisyVal;
xEstContainer = zeros(size(noisyVal));
Q = 0.0001; % Process noise covariance
R = 0.02; % Measurement noise covariance
persistent xhat P xPrior PPrior;
% Local copies of discrete states
if isempty(xhat)
xhat = 5; % Initial state estimate
end
if isempty(P)
P = 1; % Error covariance estimate
end
if isempty(xPrior)
xPrior = 0;
end
if isempty(PPrior)
PPrior = 0;
end
% Loop over all time steps
for n=1:numTsteps
% Gather chunks for current time step
zRowIndexChunk = (n-1)*measurementSpaceDim + (1:measurementSpaceDim);
stateEstsRowIndexChunk = (n-1)*stateSpaceDim + (1:stateSpaceDim);
% Prediction step
xPrior = A * xhat;
PPrior = A * P * A' + Q;
% Correction step. Compute Kalman gain.
PpriorH = PPrior * H';
HPpriorHR = H * PpriorH + R;
KalmanGain = (HPpriorHR \ PpriorH')';
KH = KalmanGain * H;
% States and error covariance are updated in the
% correction step
xhat = xPrior + KalmanGain * noisyVal(zRowIndexChunk,:) - ...
KH * xPrior;
P = PPrior - KH * PPrior;
% Append estimates
xEstContainer(stateEstsRowIndexChunk, :) = xhat;
zEstContainer(zRowIndexChunk,:) = H*xhat;
end
% Populate the outputs
estVal = zEstContainer;
estState = xEstContainer;
endУправляемый filterNoisySignal.m и измерьте скорость выполнения.
tic;totVal = filterNoisySignal;t1 = toc;
fprintf('Original Algorithm Simulation Time: %4.1f seconds\n',t1);Original Algorithm Simulation Time: 21.7 seconds
codegenВызовите codegen функция on kalmanfilter, и сгенерировать его MEX эквивалент, kalmanfilter_mex.
kalmanfilter функция требует шумной синусоиды в качестве входов.
Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); % Create the Signal Source R = 0.02; % Measurement noise covariance trueVal = step(Sig); % Actual values noisyVal = trueVal + sqrt(R)*randn; % Noisy measurements codegen -args {noisyVal} kalmanfilter.m
Заменить kalmanfilter(noisyVal) в filterNoisySignal функция с kalmanfilter_mex(noisyVal). Назовите эту функцию как filterNoisySignal_codegen
function totVal = filterNoisySignal_codegen % Create the signal source Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); totVal = zeros(4000,500); R = 0.02; clear kalmanfilter_mex; % Iteration loop to estimate the sine wave signal for i = 1 : 500 trueVal = Sig(); % Actual values noisyVal = trueVal + sqrt(R)*randn; % Noisy measurements estVal = kalmanfilter_mex(noisyVal); % Sine wave estimated by Kalman filter totVal(:,i) = estVal; % Store the entire sine wave end
Управляемый filterNoisySignal_codegen и измерьте скорость выполнения.
tic; totValcodegen = filterNoisySignal_codegen; t2 = toc; fprintf('Algorithm Simulation Time with codegen: %5f seconds\n',t2); fprintf('Speedup with codegen is %0.1f',t1/t2);
Algorithm Simulation Time with codegen: 0.095480 seconds Speedup with codegen is 227.0
Алгоритм фильтра Калмана реализует несколько матричных умножений. codegen использует Базовые подпрограммы линейной алгебры (BLAS) библиотеки для выполнения этих умножений. Эти библиотеки генерируют высоко оптимизированный код, что дает ускоренный коэффициент усиления 227.
dspunfoldСгенерируйте многопоточный файл MEX с помощью dspunfold и сравните его эффективность с codegen.
Sig = dsp.SineWave('SamplesPerFrame',4000,'SampleRate',19200); % Create the signal source R = 0.02; % Measurement noise covariance trueVal = step(Sig); % Actual values noisyVal = trueVal + sqrt(R)*randn; % Noisy measurements dspunfold kalmanfilter -args {noisyVal} -s auto
State length: [autodetect] frames, Repetition: 1, Output latency: 8 frames, Threads: 4 Analyzing: kalmanfilter.m Creating single-threaded MEX file: kalmanfilter_st.mexw64 Searching for minimal state length (this might take a while) Checking stateless ... Insufficient Checking 1 frames ... Sufficient Minimal state length is 1 frames Creating multi-threaded MEX file: kalmanfilter_mt.mexw64 Creating analyzer file: kalmanfilter_analyzer.p
Вызовите функцию анализатора.
kalmanfilter_analyzer([noisyVal;0.01*noisyVal;0.05*noisyVal;0.1*noisyVal]);
Analyzing multi-threaded MEX file kalmanfilter_mt.mexw64. For best results, please refrain from interacting with the computer and stop other processes until the analyzer is done. Latency = 8 frames Speedup = 0.7x
kalmanfilter_mt имеет коэффициент скорости 0.7, что является потерей эффективности 30% при сравнении с однопоточным файлом MEX, kalmanfilter_st. Увеличьте коэффициент повторения до 3 чтобы увидеть, увеличивается ли эффективность. Кроме того, обнаружите длину состояния в выборках.
dspunfold kalmanfilter -args {noisyVal} -s auto -f true -r 3
State length: [autodetect] samples, Repetition: 3, Output latency: 24 frames, Threads: 4 Analyzing: kalmanfilter.m Creating single-threaded MEX file: kalmanfilter_st.mexw64 Searching for minimal state length (this might take a while) Checking stateless ... Insufficient Checking 4000 samples ... Sufficient Checking 2000 samples ... Sufficient Checking 1000 samples ... Sufficient Checking 500 samples ... Sufficient Checking 250 samples ... Insufficient Checking 375 samples ... Sufficient Checking 312 samples ... Sufficient Checking 281 samples ... Sufficient Checking 265 samples ... Sufficient Checking 257 samples ... Insufficient Checking 261 samples ... Sufficient Checking 259 samples ... Sufficient Checking 258 samples ... Insufficient Minimal state length is 259 samples Creating multi-threaded MEX file: kalmanfilter_mt.mexw64 Creating analyzer file: kalmanfilter_analyzer.p
Вызовите функцию анализатора.
kalmanfilter_analyzer([noisyVal;0.01*noisyVal;0.05*noisyVal;0.1*noisyVal]);
Analyzing multi-threaded MEX file kalmanfilter_mt.mexw64. For best results, please refrain from interacting with the computer and stop other processes until the analyzer is done. Latency = 24 frames Speedup = 1.4x
dspunfold дает ускоренный коэффициент усиления 40% по сравнению с высоко оптимизированным однопоточным файлом MEX. Задайте точную длину состояния и увеличьте коэффициент повторения до 4.
dspunfold kalmanfilter -args {noisyVal} -s 259 -f true -r 4
State length: 259 samples, Repetition: 4, Output latency: 32 frames, Threads: 4 Analyzing: kalmanfilter.m Creating single-threaded MEX file: kalmanfilter_st.mexw64 Creating multi-threaded MEX file: kalmanfilter_mt.mexw64 Creating analyzer file: kalmanfilter_analyzer.p
Активируйте функцию анализатора, чтобы увидеть ускорение усиления.
kalmanfilter_analyzer([noisyVal;0.01*noisyVal;0.05*noisyVal;0.1*noisyVal]);
Analyzing multi-threaded MEX file kalmanfilter_mt.mexw64. For best results, please refrain from interacting with the computer and stop other processes until the analyzer is done. Latency = 32 frames Speedup = 1.5x
Коэффициент ускорения усиления 50% по сравнению с однопоточным файлом MEX.
Коэффициенты усиления эффективности codegen и dspunfold дайте зависимость от вашего алгоритма. codegen обеспечивает достаточное ускорение для некоторых конструкций MATLAB. dspunfold может обеспечить дополнительное увеличение эффективности с помощью ядер, доступных на вашей машине, чтобы распределить алгоритм через развертывание. Как показано в этом примере, количество ускорения, которое dspunfold обеспечивает зависит от конкретного алгоритма для ускорения. Использовать dspunfold в дополнение к codegen если ваш алгоритм хорошо подходит для распределения через развертывание, и если полученная в результате стоимость задержки соответствует ограничениям вашего приложения.
Некоторые конструкции MATLAB высоко оптимизированы с интерпретированным выполнением MATLAB. fft функция, например, запускается намного быстрее в интерпретированной симуляции, чем с генерацией кода.