有的时候写出来的程序慢也许并不是算法有问题,而是用的库比较慢;也可能并不是库本身慢,而只是你的写法不够高效。在经历了无数次令人蛋疼的等待后,我决定比较一下这几个所谓的高效的线性代数库(OpenCV虽然目标是计算机视觉,但也提供了比较丰富的代数计算能力),看看它们的性能到底怎么样。
有人已经做过类似的事情了,比如 OpenCV vs. Armadillo vs. Eigen on Linux revisited,这哥们比较了这几个库在各种矩阵运算方面的效率,总结的比较齐全。但是,在计算机视觉领域这些还不够,比如经常使用的相似性度量(Similarity
Measure)的计算。当然后很多种方法,这里就考虑最基本的SAD(Sum of Absolute Difference)方法吧,简单来说就是把两个矩阵(或者向量)相减,求个绝对值,再加起来。这个计算看起来挺简单的,不过比较的结果令我比较意外。
先把代码贴出来吧。
// PerformanceTest.h
#pragma warning(disable:4344)
#define DEIGEN_NO_DEBUG
#define DNDEBUG
#include
#include
#include
#include
#include
#include
#include "Timer.h"
using namespace std;
// PerformanceTest.cpp
#include "PerformanceTest.h"
int main(void)
{
Timer timer; // timer
double elapsedTime; // time in millisecond
double res; // SAD value
int i; // loop variable
float bnd = 1e5; // loop times
// Armadillo
arma::mat armaA(4, 1);
arma::mat armaB(4, 1);
timer.start();
for (i = 0; i
{
res = arma::accu(arma::abs(armaA - armaB));
//res = 0;
//for (int idx = 0; idx
//{
// res += abs(armaA(idx, 0) - armaB(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<
// Eigen
Eigen::Vector4d eiA;
Eigen::Vector4d eiB;
Eigen::Vector4d eiC;
timer.start();
for (i = 0; i
{
res = (eiA - eiB).cwiseAbs().sum();
//res = 0;
//for (int idx = 0; idx
//{
// res += abs(eiA(idx,0) - eiB(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<
// OpenCV
cv::Mat ocvA(4, 1, CV_64F);
cv::Mat ocvB(4, 1, CV_64F);
timer.start();
for (i = 0; i
{
res = cv::sum(cv::abs(ocvA - ocvB))[0];
//res = 0;
//for (int idx = 0; idx
//{
// res += abs(ocvA.at(idx, 0) - ocvB.at(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<
// pointer operation
double *a = (double*)_mm_malloc(4 * sizeof(double), 16);
double *b = (double*)_mm_malloc(4 * sizeof(double), 16);
int len = ocvA.rows;
timer.start();
for (i = 0; i
{
res = 0;
for (int idx = 0; idx
{
res += abs(a[idx] - b[idx]);
}
//cout<
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<
// release resource
_mm_free(a);
_mm_free(b);
return 0;
}
其中的计时函数用到的是 Franz Kafka 提供的跨平台高精度计时类,可以从以下地址下载 High Resolution Timer。
用以上代码在 release 下得到的结果如下:
arma time : 0.87827 ms
eigen time : 0.13641 ms
opencv time : 179.599 ms
array operation : 0.135591 ms
可以看出 Eigen 的时间和直接用数组运算的时间是相当的,Armadillo 的时间慢了 6~7 倍左右,而 OpenCV 已经目不忍视了,不知道 OpenCV 是怎么想的,差距有点悬殊。
下面又做了另外一组对比,把循环中的求 SAD 部分用类似于数组的方式自己计算,结果如下
arma time : 0.145423 ms
eigen time : 0.134772 ms
opencv time : 0.134362 ms
array operation : 0.139278 ms
这下计算时间基本上是相当的了。
通过这些对比得到两个结论:
1、虽然这些库在矩阵相乘等操作上可能比较高效,但是对于某些低级操作可能效率并不高
2、通过模板访问数据并不比数组效率低,性能基本相当
实验环境:
Windows 7 Ultimate SP1
Visual C++ 2008
Armadillo 3.4.4
Eigen 3.1.2
OpenCV 2.3.1
Compiled to 32-bit binary