matlab fprintf_MATLAB矩阵列向量单位化的最快代码

向量的单位化是指，将向量的每个元素除以向量的模(2-范数)，使得向量的模(2-范数)变为1.

在机器学习、压缩感知、稀疏表现等方面，经常需要对矩阵的每个列向量进行单位化。下面对各种列向量单位化的MATLAB代码进行比较。MATLAB版本为R2019a，CPU为Intel i7 8700.

一、两层for循环

先试试最笨的两层for循环。逻辑很接近C的语言逻辑，很容易理解。

function 

10000×10000的矩阵列向量单位化，两层for循环仅耗时0.5877秒。比我想象的快的多，MATLAB for循环速度慢在新版MATLAB面前就是个笑话。

二、for循环+sum函数

function 

单层for循环+sum函数，居然耗时0.6027秒，比两层for循环还慢，令人震惊！看来MATLAB对for循环的优化已经到了令人发指的地步。

三、for循环+norm函数

norm函数是built-in函数，用于求矩阵、向量的范数，默认是2-范数。注意，矩阵范数与矩阵列向量的范数不是一个概念。

function 

单层for循环+sum函数，耗时0.5496秒，优于两层for循环。

四、向量化（右乘对角矩阵）

采用右乘一个对角矩阵的方式对矩阵进行缩放，常见的列向量单位化操作。

function 

耗时7.9222秒！！！彻底翻车，大量的时间花费在分配内存生成10000×10000的对角矩阵上，效率低的令人发指！

五、bsxfun + sum函数

虽然Compatible Array Sizes功能已经取代了bsxfun函数，但我仍然喜欢写成bsxfun的形式。

function 

耗时0.3529秒。bsxfun一如既往的给力。

六、bsxfun + arrayfun(for)

arrayfun本质上还是for循环，只不过形式更加简洁。

function 

耗时0.2949秒！效果非常好。

七、bsxfun + vecnorm

MATLAB 有自带的对矩阵列向量求范数的built-in函数，vecnorm，试一下运行效率如何。（这个函数我也是写文章时才发现的）

function 

耗时仅0.1565秒！ Amazing

七、不同大小的矩阵测试

function 

测试表明，当矩阵

维度，M,N<100时，上述6种方法的耗时差别不大，相比之下，双层for循环（fun1）与向量化-右乘对角矩阵（fun4）的速度稍快一些。M>100时，bsxfun+vecnorm函数（fun7）速度最快。

结论：对于小规模矩阵，向量化（fun4）速度最快，理解起来也很方便；中等或大规模矩阵，bsxfun+vecnorm函数(fun7)速度最快.

易夕：MATLAB Tricks 专栏目录​zhuanlan.zhihu.com