如何提高M(jìn)ATLAB運(yùn)行效率

1、如何提高matlab運(yùn)行效率(1)在我們的領(lǐng)域，matlab是進(jìn)行實(shí)驗(yàn)的最主要的工具之一。我聽到過(guò)很多抱怨說(shuō)matlab很慢，可是這往往不是matlab的問(wèn)題，而是因?yàn)樽约撼绦驔]有寫好。matlab是我非常欣賞的一種語(yǔ)言，堪稱靈活易用和高效運(yùn)算的結(jié)合典范。 作為解釋語(yǔ)言，matlab進(jìn)行高效運(yùn)算的秘訣有幾個(gè)方面： (1) jit即時(shí)編譯技術(shù)。matlab在第一次加載運(yùn)行一個(gè)函數(shù)的時(shí)候，會(huì)在后臺(tái)對(duì)它進(jìn)行某種程度的編譯和優(yōu)化，使得后續(xù)運(yùn)行更快。因此，除了第一次運(yùn)行需要進(jìn)行語(yǔ)句解釋之外，后面運(yùn)行的其實(shí)是已經(jīng)放在內(nèi)存中的經(jīng)過(guò)優(yōu)化的中間碼。所以，很多時(shí)候我們可能會(huì)看到第一次運(yùn)行一個(gè)新函數(shù)，比它后面幾次的

2、運(yùn)行明顯慢一些。不過(guò)目前的jit技術(shù)還不是非常成熟，和標(biāo)準(zhǔn)的編譯語(yǔ)言相比還有相當(dāng)差距，僅憑這個(gè)matlab還不能稱為高效。 (2) 向量化(vectorization)。這是matlab最著名的特色。向量化配合經(jīng)過(guò)高度優(yōu)化的數(shù)值運(yùn)算引擎，是其高效運(yùn)算的最重要的基石很多matlab的使用者都明白這一點(diǎn)。能夠轉(zhuǎn)化成矩陣操作的規(guī)則運(yùn)算過(guò)程，使用matlab計(jì)算遠(yuǎn)比自己手工用c/c+實(shí)現(xiàn)高效。我自己做過(guò)很多次對(duì)比profile，matlab在關(guān)鍵的核心運(yùn)算上的實(shí)現(xiàn)可以比自己用c/c+按照標(biāo)準(zhǔn)的routine進(jìn)行實(shí)現(xiàn)快幾十倍。 其實(shí)這不完全是matlab的功勞，其實(shí)matlab是建基于blas和lapa

3、ck等的基礎(chǔ)數(shù)學(xué)運(yùn)算包的基礎(chǔ)上的。intel和amd都發(fā)布了這些東西的vendor-implementation，并且針對(duì)各自的cpu進(jìn)行了大量的優(yōu)化，這非個(gè)人之力所能企及。因此，我從來(lái)都強(qiáng)烈不建議個(gè)人用c/c+去實(shí)現(xiàn)數(shù)值運(yùn)算的關(guān)鍵代碼（學(xué)習(xí)數(shù)值分析課者除外）。 不過(guò)，對(duì)于向量化這個(gè)事情，也不宜極端化，下面的一些例子說(shuō)明在哪些時(shí)候，for-loop比vectorization更適合： (a) 粗粒度的算法流程控制。比如，你要實(shí)現(xiàn)一個(gè)迭代算法，循環(huán)做一個(gè)事情直到收斂。只要循環(huán)幾次或者幾十次，但是每個(gè)循環(huán)內(nèi)部要進(jìn)行大量的復(fù)雜運(yùn)算，那么你就沒有必要費(fèi)心把這層循環(huán)給vectorize掉了。除非收斂結(jié)果

4、有某種close-form的解析解。 (b) 如果向量化可能導(dǎo)致產(chǎn)生巨型矩陣，則使用前要三思！很多情況下，向量化是一種用空間換時(shí)間的行為，就是通過(guò)把數(shù)據(jù)組織成某種方式，從而使得內(nèi)建的高效引擎能得以應(yīng)用。但是，有些時(shí)候要處理大量的數(shù)據(jù)，可能導(dǎo)致其組織過(guò)程需要耗費(fèi)額外的數(shù)百兆乃至千兆內(nèi)存空間，那么這有可能造成效率的不升反降。原因有幾個(gè)方面：第一，數(shù)據(jù)組織過(guò)程也是需要時(shí)間的，最起碼它也需要大量的操作進(jìn)行密集的內(nèi)存讀寫和用于定位的偏移量計(jì)算。這方面增加的時(shí)間 vs. 向量化節(jié)省的運(yùn)算時(shí)間，孰輕孰重，需要衡量。第二，分配額外的大塊內(nèi)存是一件非常耗時(shí)的事情，它可能導(dǎo)致虛擬內(nèi)存的使用，那么當(dāng)對(duì)這塊矩陣進(jìn)行讀

5、寫和計(jì)算時(shí)可能涉及頻繁的內(nèi)存與外存交換區(qū)的i/o，這回造成效率的嚴(yán)重下降。我一直不贊同在out of memory的情況下，通過(guò)增大虛存來(lái)解決問(wèn)題，這樣，即使你勉強(qiáng)讓程序能繼續(xù)運(yùn)行下去，運(yùn)行時(shí)間也會(huì)變得極為緩慢這時(shí)應(yīng)該做的是對(duì)程序進(jìn)行重新思考和設(shè)計(jì)，降低其對(duì)內(nèi)存的耗用。第三，vectorization有些時(shí)候還可能增加實(shí)際運(yùn)算次數(shù)，這往往出現(xiàn)在不適合的向量化過(guò)程中。這樣，即使你通過(guò)生搬硬套的向量化過(guò)程讓操作變成矩陣運(yùn)算，但是增加的無(wú)用計(jì)算使得即使是更高效的引擎也無(wú)法挽回你的損失了。說(shuō)了這么些，不是想勸說(shuō)從向量化的道路退回去，而是提醒在做一些事情的時(shí)候，要考慮得周全一些。 (3) inplace

6、 operation。這是一個(gè)很有趣的事情，matlab的對(duì)象管理策略是copy-on-write，就是說(shuō)你把一個(gè)矩陣傳給一個(gè)函數(shù)的時(shí)候，會(huì)先傳引用，而不產(chǎn)生副本，而當(dāng)函數(shù)要對(duì)這個(gè)矩陣修改的時(shí)候，才會(huì)制造出它的副本出來(lái)，讓函數(shù)去修改。這樣聽上去很完美，既保護(hù)了輸入矩陣不被改變，又避免了大量無(wú)謂的復(fù)制。不過(guò)，這個(gè)策略真的沒有缺陷么？可以看看下面的例子 a = rand(2000, 2000);for i = 1 : 1000 a = f(a);endfunction a = f(a)a(1) = a(1) + 1; % a temporary copy of a is produced for

7、modificationreturn; % the modified temporary copy is assigned to a 在上面的代碼中，只是想對(duì)a的第一個(gè)元素做1000次加法，結(jié)果卻導(dǎo)致了對(duì)整個(gè)有四百萬(wàn)元素的大矩陣做了1000次副本復(fù)制！而且這些副本其實(shí)沒有用，只要f(a)直接對(duì)a的原矩陣進(jìn)行修改，這些巨大的浪費(fèi)就能避免。你可能跟我argue說(shuō)，這里完全可以寫成a(1) = a(1) + 1000，不用這么搞。我想說(shuō)明的是，我只是想舉一個(gè)簡(jiǎn)單例子說(shuō)明，copy-on-write的策略為什么可能造成巨大的效率浪費(fèi)。其實(shí)，很多小修改沒法像上面那么容易合并。 以前，為了解決這個(gè)問(wèn)題，f

8、函數(shù)的作者需要自己寫一個(gè)mex function來(lái)避開matlab的保護(hù)機(jī)制，直接改寫a。后來(lái)matlab自己也意識(shí)到這種策略在實(shí)際中的問(wèn)題，于是他們改寫了解釋器，采用了一種辦法：a = f(a, .) 當(dāng)它發(fā)現(xiàn)這樣的定義和調(diào)用的時(shí)候，它會(huì)很智能地了解到你其實(shí)是想改寫a這個(gè)輸入，于是它就把操作改成inplace，直接對(duì)a進(jìn)行，避免拷貝。這種修改的策略，在2006b后才比較正式的運(yùn)用，在舊版matlab中仍舊不同程度地存在上述問(wèn)題。我在2007a中，測(cè)試了兩種f的寫法： function y = f0(x) y = x + 1; end function x = f1(x) x = x + 1;

9、 end確實(shí)發(fā)現(xiàn)大量調(diào)用f1比f(wàn)0快了好多倍。所以，如果確實(shí)是想改變input的話，函數(shù)定義中要讓input parameter和output parameter同名，以觸發(fā)這種智能的解釋機(jī)制。并且建議升級(jí)到最新的2007a版本，這個(gè)版本在這方面進(jìn)行了重要改善讓matlab更快(2)matlab是一門在數(shù)值運(yùn)算方面非常高效的語(yǔ)言，對(duì)于提高matlab的效率，有一些大家熟知的方法，比如避免使用for循環(huán)，向量化，使用c-mex寫核心，等等。這些原則大體是沒錯(cuò)的，但是教條地運(yùn)用有時(shí)反而會(huì)降低效率。 根據(jù)問(wèn)題的規(guī)模，適當(dāng)選擇向量化的策略 向量化的基本思想是以空間換時(shí)間，通過(guò)把要處理的對(duì)象轉(zhuǎn)化成一個(gè)矩

10、陣，集中處理。這比起非向量化的處理方式往往需要消耗更多的內(nèi)存。在內(nèi)存緊張的時(shí)候，內(nèi)存分配的開銷可能是很大的。 比如，給定一個(gè)列向量v1，和一個(gè)行向量v2, 計(jì)算矩陣m，使得m(i, j) = v1(i) + v2(j)。一種常用的向量化實(shí)現(xiàn)：m = length(v1); n = length(v2);m = repmat(v1, 1, n) + repmat(v2, m, 1);這個(gè)過(guò)程中，除了m以外，還要?jiǎng)?chuàng)建兩個(gè)大小為m x n的臨時(shí)矩陣。repmat創(chuàng)建臨時(shí)矩陣有一定的overhead，主要花費(fèi)在元素索引上。由于元素加法的向量化收益本身并不顯著，扣除repmat的額外開銷后，得益就更小了

11、。另外，當(dāng)這些矩陣很大，接近物理內(nèi)存容納能力的時(shí)候，必然導(dǎo)致和虛擬內(nèi)存進(jìn)行頻繁的交換，耗費(fèi)大量的io時(shí)間，向量化可能得不償失。這種情況下，下面這種向量化程度略低的方式可能是更好的選擇： m = zeros(m, n);if m < n for i = 1 : m m(i, :) = v1(i) + v2; endelse for i = 1 : n m(:, i) = v1 + v2(i); endend這個(gè)例子是要說(shuō)明在設(shè)計(jì)向量化的時(shí)候，要對(duì)其它潛在的影響因素也進(jìn)行考慮，權(quán)衡得失。對(duì)于這個(gè)例子本身，在2007版以后的matlab，有一個(gè)通用的簡(jiǎn)潔的寫法。m = bsxfun(plus,

12、 v1, v2);matlab內(nèi)部對(duì)于bsxfun有很專業(yè)的優(yōu)化，這個(gè)寫法在時(shí)間和空間上都比較節(jié)省。 對(duì)一組d x d矩陣求逆，假設(shè)這些矩陣放在大小為d x d x n的數(shù)組里。在一般條件下，多個(gè)矩陣求逆沒有特別的向量化方法，通常就是逐個(gè)求n = size(a, 3);b = zeros(size(a);for i = 1 : n b(:, :, i) = inv(a(:, :, i);end不過(guò)，當(dāng)d很小而n很大的時(shí)候，比如對(duì)大量2x2矩陣求逆（這在設(shè)計(jì)幾何的問(wèn)題中很常見），那么直接利用2x2矩陣的求逆共識(shí)，進(jìn)行向量化了：a = reshape(a(1, 1, :), 1, n);b = r

13、eshape(a(1, 2, :), 1, n);c = reshape(a(2, 1, :), 1, n);d = reshape(a(2, 2, :), 1, n);g = 1 ./ (a .* d - b .* c);r11 = d .* g;r12 = -b .* g;r21 = -c .* g;r22 = a .* g;b = reshape(r11; r21; r12; r22, 2, 2, n); 在正式的代碼中，還需要處理可能為奇異(a*d-b*c=0)的情況。 某些非數(shù)值計(jì)算問(wèn)題的向量化 有些問(wèn)題，表面上不像是數(shù)值計(jì)算，但是通過(guò)適當(dāng)?shù)霓D(zhuǎn)化，也可以通過(guò)向量化解決。 非等量復(fù)制:

14、 比如有一組數(shù)10, 20, 30, 各自要復(fù)制成3, 2, 5份，最終產(chǎn)生出 10 10 10 20 20 30 30 30 30 30。這個(gè)問(wèn)題，雖然簡(jiǎn)單，但是因?yàn)椴皇悄敲础罢R”，因此向量化不是特別直接。下面給出一種思路： 首先產(chǎn)生出起始位置標(biāo)志向量1 0 0 1 0 1 0 0 0 0，然后通過(guò)cumsum，產(chǎn)生出1 1 1 2 2 3 3 3 3 3，最后以此為索引，可以得到結(jié)果。% vs: the values to be copied% ns: the numbers of copies vs = vs(ns > 0);ns = ns(ns > 0);sp = 1,

15、cumsum(ns(1:end-1) + 1;result = vs(cumsum(sp);對(duì)于圖像處理或者二維信號(hào)問(wèn)題，善用filter。 比如，要對(duì)每個(gè)像素，基于其局部鄰域進(jìn)行一些計(jì)算。即使整個(gè)計(jì)算本身不是線性的，但是只要能分解成線性局部運(yùn)算的組合，就可以利用filter。 比如，對(duì)于圖像i, 產(chǎn)生v，使得v(i, j)是像素i(i, j)周圍w x w鄰域的像素的方差。i = im2double(i);h = ones(w, w) / (w * w);m = imfilter(i, h, 'symmetric');m2 = imfilter(i.2, h, 'sy

16、mmetric');v = m2 - m.2;再談matlab效率(3)關(guān)于matlab的效率問(wèn)題，很多文章，包括我之前寫的一些，主要集中在使用向量化以及相關(guān)的問(wèn)題上。但是，最近我在實(shí)驗(yàn)時(shí)對(duì)代碼進(jìn)行profile的過(guò)程中，發(fā)現(xiàn)在新版本的matlab下，for-loop已經(jīng)得到了極大優(yōu)化，而效率的瓶頸更多是在函數(shù)調(diào)用和索引訪問(wèn)的過(guò)程中。 由于matlab特有的解釋過(guò)程，不同方式的函數(shù)調(diào)用和元素索引，其效率差別巨大。不恰當(dāng)?shù)氖褂梅绞娇赡茉诒緛?lái)不起眼的地方帶來(lái)嚴(yán)重的開銷，甚至可能使你的代碼的運(yùn)行時(shí)間增加上千倍（這就不是多買幾臺(tái)服務(wù)器或者增加計(jì)算節(jié)點(diǎn)能解決的了，呵呵）。 下面通過(guò)一些簡(jiǎn)單例子說(shuō)

17、明問(wèn)題。（實(shí)驗(yàn)選在裝有windows vista的一臺(tái)普通的臺(tái)式機(jī)(core2 duo 2.33ghz + 4gb ram)進(jìn)行，相比于計(jì)算集群, 這可能和大部分朋友的環(huán)境更相似一些。實(shí)驗(yàn)過(guò)程是對(duì)某一個(gè)過(guò)程實(shí)施多次的整體進(jìn)行計(jì)時(shí)，然后得到每次過(guò)程的平均時(shí)間，以減少計(jì)時(shí)誤差帶來(lái)的影響。多次實(shí)驗(yàn)，在均值附近正負(fù)20%的范圍內(nèi)的置信度高于95%。為了避免算上首次運(yùn)行時(shí)花在預(yù)編譯上的時(shí)間，在開始計(jì)時(shí)前都進(jìn)行充分的“熱身”運(yùn)行。） 函數(shù)調(diào)用的效率 一個(gè)非常簡(jiǎn)單的例子，把向量中每個(gè)元素加1。（當(dāng)然這個(gè)例子根本不需要調(diào)函數(shù)，但是，用它主要是為了減少函數(shù)執(zhí)行本身的時(shí)間，突出函數(shù)解析和調(diào)用的過(guò)程。） 作為bas

18、eline，先看看最直接的實(shí)現(xiàn)% input u: u is a 1000000 x 1 vectorv = u + 1; 這個(gè)過(guò)程平均需要0.00105 sec。而使用長(zhǎng)期被要求盡量避免的for-loop n = numel(u);% v = zeros(n, 1) has been pre-allocated.for i = 1 : n v(i) = u(i) + 1;end所需的平均時(shí)間大概是0.00110 sec。從統(tǒng)計(jì)意義上說(shuō)，和vectorization已經(jīng)沒有顯著差別。無(wú)論是for-loop或者vectorization，每秒平均進(jìn)行約10億次“索引-讀取-加法-寫入”的過(guò)程，計(jì)

19、算資源應(yīng)該得到了比較充分的利用。 要是這個(gè)過(guò)程使用了函數(shù)調(diào)用呢？matlab里面支持很多種函數(shù)調(diào)用方式，主要的有m-function, function handle, anonymous function, inline, 和feval，而feval的主參數(shù)可以是字符串名字，function handle, anonymous function或者inline。 用m-function，就是專門定義一個(gè)函數(shù)function y = fm(x) y = x + 1;在調(diào)用時(shí) for i = 1 : n v(i) = fm(u(i);endfunction handle就是用來(lái)把一個(gè)functi

20、on賦到一個(gè)變量上，類似于c/c+的函數(shù)指針，或者c#里面的delegate的作用fh = fm;for i = 1 : n v(i) = fh(u(i);endanonymous function是一種便捷的語(yǔ)法來(lái)構(gòu)造簡(jiǎn)單的函數(shù)，類似于lisp, python的lambda表達(dá)式fa = (x) x + 1;for i = 1 : n v(i) = fa(u(i);endinline function是一種傳統(tǒng)的通過(guò)表達(dá)式字符串構(gòu)造函數(shù)的過(guò)程fi = inline('x + 1', 'x');for i = 1 : n v(i) = fi(u(i);endfe

21、val的好處在于可以以字符串方式指定名字來(lái)調(diào)用函數(shù)，當(dāng)然它也可以接受別的參數(shù)。v(i) = feval('fm', u(i);v(i) = feval(fh, u(i);v(i) = feval(fa, u(i); 對(duì)于100萬(wàn)次調(diào)用（包含for-loop本身的開銷，函數(shù)解析(resolution)，壓棧，執(zhí)行加法，退棧，把返回值賦給接收變量），不同的方式的時(shí)間差別很大： m-function 0.385 sec function handle 0.615 sec anonymous function 0.635 sec inline function 166.00 sec f

22、eval('fm', u(i) 8.328 sec feval(fh, u(i) 0.618 sec feval(fa, u(i) 0.652 sec feval(fm, u(i) 2.788 sec feval(fa, u(i) 34.689 sec 從這里面，我們可以看到幾個(gè)有意思的現(xiàn)象： 首先，調(diào)用自定義函數(shù)的開銷遠(yuǎn)遠(yuǎn)高于一個(gè)簡(jiǎn)單的計(jì)算過(guò)程。直接寫 u(i) = v(i) + 1 只需要 0.0011 秒左右，而寫u(i) = fm(v(i) 則需要0.385秒，時(shí)間多了幾百倍，而它們干的是同一件事情。這說(shuō)明了，函數(shù)調(diào)用的開銷遠(yuǎn)遠(yuǎn)大于for-loop自己的開銷和簡(jiǎn)單計(jì)算過(guò)

23、程在不同情況可能有點(diǎn)差別，一般而言，一次普通的函數(shù)調(diào)用花費(fèi)的時(shí)間相當(dāng)于進(jìn)行了幾百次到一兩千次雙精度浮點(diǎn)加法。 使用function handle和anonymous function的開銷比使用普通的m-函數(shù)要高一些。這可能是由于涉及到句柄解析的時(shí)間，而普通的函數(shù)在第一次運(yùn)行前已經(jīng)在內(nèi)存中進(jìn)行預(yù)編譯。 inline function的運(yùn)行時(shí)間則令人難以接受了，竟然需要一百多秒（是普通函數(shù)調(diào)用的四百多倍，是直接計(jì)算的十幾萬(wàn)倍）。這是因?yàn)閙atlab是在每次運(yùn)行時(shí)臨時(shí)對(duì)字符串表達(dá)式（或者它的某種不太高效的內(nèi)部表達(dá)）進(jìn)行parse。 feval(fh, u(i)和fh(u(i)，feval(fa,

24、u(i)和fa(u(i)的運(yùn)行時(shí)間很接近，表明feval在接受句柄為主參數(shù)時(shí)本身開銷很小。但是，surprising的是 for i = 1 : n v(i) = feval(fm, u(i);end比起fh = fm;for i = 1 : n v(i) = feval(fh, u(i);end慢了4.5倍 (前者0.618秒，后者2.788秒)。for i = 1 : n v(i) = feval(x) x + 1, u(i);end比起fa = (x) x + 1;for i = 1 : n v(i) = feval(fa, u(i);end竟然慢了53倍(前者0.652秒，后者34.6

25、89秒）。由于在matlab的內(nèi)部實(shí)現(xiàn)中，function handle的解析是在賦值過(guò)程中進(jìn)行的，所以預(yù)先用一個(gè)變量把句柄接下，其效果就是預(yù)先完成了句柄解析，而如果直接把fm或者(x) x + 1寫在參數(shù)列上，雖然寫法簡(jiǎn)潔一些，但是解析過(guò)程是把參數(shù)被賦值到所調(diào)函數(shù)的局部變量時(shí)才進(jìn)行，每調(diào)用一次解析一次，造成了巨大的開銷。 feval使用字符串作為函數(shù)名字時(shí)，所耗時(shí)間比傳入句柄大，因?yàn)檫@涉及到對(duì)函數(shù)進(jìn)行搜索的時(shí)間（當(dāng)然這個(gè)搜索是在一個(gè)索引好的cache里面進(jìn)行（除了第一次），而不是在所有path指定的路徑中搜索。）在2007年以后，matlab推出了arrayfun函數(shù)，上面的for-loop

26、可以寫為 v = arrayfun(fh, u)這平均需要4.48 sec，這比起for-loop(需時(shí)0.615 sec)還慢了7倍多。這個(gè)看上去“消除了for-loop"的函數(shù)，由于其內(nèi)部設(shè)計(jì)的原因，未必能帶來(lái)效率上的正效果。 元素和域的訪問(wèn) 除了函數(shù)調(diào)用，數(shù)據(jù)的訪問(wèn)方式對(duì)于效率也有很大影響。matlab主要支持下面一些形式的訪問(wèn)： array-index a(i): cell-index: ci; struct field: s.fieldname struct field (dynamic): s.('fieldname')這里主要探索單個(gè)元素或者域的訪問(wèn)（當(dāng)

27、然，matlab也支持對(duì)于子數(shù)組的非常靈活整體索引）。 對(duì)于一百萬(wàn)次訪問(wèn)的平均時(shí)間 a(i) for a numeric array 0.0052 sec ci for a cell array 0.2568 sec struct field 0.0045 sec struct field (with dynamic name) 1.0394 sec 我們可以看到matlab對(duì)于單個(gè)數(shù)組元素或者靜態(tài)的struct field的訪問(wèn)，可以達(dá)到不錯(cuò)的速度，在主流臺(tái)式機(jī)約每秒2億次（連同for-loop的開銷）。而cell array的訪問(wèn)則明顯緩慢，約每秒400萬(wàn)次（慢了50倍）。matlab還支

28、持靈活的使用字符串來(lái)指定要訪問(wèn)域的語(yǔ)法（動(dòng)態(tài)名字），但是，是以巨大的開銷為代價(jià)的，比起靜態(tài)的訪問(wèn)慢了200倍以上。 關(guān)于object-oriented programming matlab在新的版本中（尤其是2008版），對(duì)于面向?qū)ο蟮木幊烫峁┝藦?qiáng)大的支持。在2008a中，它對(duì)于oo的支持已經(jīng)不亞于python等的高級(jí)腳本語(yǔ)言。但是，我在實(shí)驗(yàn)中看到，雖然在語(yǔ)法上提供了全面的支持，但是matlab里面面向?qū)ο蟮男屎艿?，開銷巨大。這里僅舉幾個(gè)例子。 object中的property的訪問(wèn)速度是3500萬(wàn)次，比struct field慢了6-8倍。matlab提供了一種叫做dependent pr

29、operty的屬性，非常靈活，但是，效率更低，平均每秒訪問(wèn)速度竟然低至2.6萬(wàn)次（這種速度基本甚至難以用于中小規(guī)模的應(yīng)用中）。 object中method調(diào)用的效率也明顯低于普通函數(shù)的調(diào)用，對(duì)于instance method，每百萬(wàn)次調(diào)用，平均需時(shí)5.8秒，而對(duì)于static method，每百萬(wàn)次調(diào)用需時(shí)25.8秒。這相當(dāng)于每次調(diào)用都需要臨時(shí)解析的速度，而matlab的類方法解析的效率目前還明顯偏低。 matlab中可以通過(guò)改寫subsref和subsasgn的方法，對(duì)于對(duì)象的索引和域的訪問(wèn)進(jìn)行非常靈活的改造，可以通過(guò)它創(chuàng)建類似于數(shù)組的對(duì)象。但是，一個(gè)符合要求的subsref的行為比較復(fù)雜。在一個(gè)提供了subsref的對(duì)象中，大部分行為都需要subsref進(jìn)行調(diào)度，而默認(rèn)的較優(yōu)的調(diào)度方式將被掩蓋。在一個(gè)提供了subsref的類中（使用一種最快捷的實(shí)現(xiàn)），object property