Benchmark分析１:Cortexsuite.lda3

1.热点分析
1.1热点函数

1.2热点循环
格式说明: 热点循环-各层执行总次数
执行百分比：热点循环占本函数执行比例

函数1: lda_inference
lda.L1.1.1 (6275-90634-44387371-133162113）
执行百分比：10.6% （41.4%，去掉lda.L1.1.2 中exp()库函数)
lda.L1.1.2 (6275-90634-44387371-133162113）
执行百分比：89.4% (58.6%，去掉lda.L1.1.2 中exp()库函数)

函数2: digamma
被调用循环：lda.L1.1.2 (6275-90634-44387371-133162113）

函数3: compute_likelihood
被调用循环：lda.L1(6275-90634)
热点循环：
comp.L1.1 (90634-271902-133162113）
执行百分比：100%

1.3 热点代码

/* 1.lda_inference  */

    // lda.L1
    while ((converged > VAR_CONVERGED) &&((var_iter < VAR_MAX_ITER) || (VAR_MAX_ITER == -1)))
    {
		var_iter++;
		
    // lda.L1.1
		for (n = 0; n < doc->length; n++)
		{
            phisum = 0;
            
    // lda.L1.1.1
            for (k = 0; k < model->num_topics; k++)
            {
            	// P1
                oldphi[k] = phi[n][k];
                // P2
                phi[n][k] =digamma_gam[k] +　model->log_prob_w[k][doc->words[n]];

                if (k > 0)
                    phisum = log_sum(phisum, phi[n][k]);
                else
                // P3
                    phisum = phi[n][k]; // note, phi is in log space
            }
            
    // lda.L1.1.2
            for (k = 0; k < model->num_topics; k++)
            {
                // P4
                phi[n][k] = exp(phi[n][k] - phisum);
        		// P5
                var_gamma[k] =var_gamma[k] + doc->counts[n]*(phi[n][k] - oldphi[k]);
                // P6
                digamma_gam[k] = digamma(var_gamma[k]);
            }
        }
    // lda.L1
        likelihood = compute_likelihood(doc, model, phi, var_gamma); 
      	...
    }
    return(likelihood);
}


/* 2.digamma  */
	double digamma(double x)
	{
	    double p;
	    x=x+6;
	    p=1/(x*x);
	    p=(((0.004166666666667*p-70.003968253986254)*p+0.008333333333333)*p-0.083333333333333)*p;
		p=p+log(x)-0.5/x-1/(x-1)-1/(x-2)-1/(x-3)-1/(x-4)-1/(x-5)-1/(x-6);
	    return p;
	}


/* 3.computer_likelihood  */

	// comp.L1
    for (k = 0; k < model->num_topics; k++)
    {
 		likelihood +=(model->alpha - 1)*(dig[k] - digsum) + lgamma(var_gamma[k])- (var_gamma[k] - 1)*(dig[k] - digsum);
 	// comp.L1.1	
 		for (n = 0; n < doc->length; n++)
 		{
         	 if (phi[n][k] > 0)
         	 {
             	 // P7
                 likelihood += doc->counts[n]*(phi[n][k]*((dig[k] - digsum) - log(phi[n][k])+ model->log_prob_w[k][doc->words[n]]));
         	 }
      　 }
    }

2.功能分析
2.1数据标签

说明：s,v,m,t（全局数据）lda-、comp-（局部数据）

2.2数据流分析
函数1 lda_inference
lda.L1.1.1（14-26行）
P1: m1[i][] -> lda.v2
P2: m2[][i]，lda.v1 -> m1[i][]；数组求和
P3: m1[i][] -> lda.s1

lda.L1.1.2（29-34行）
P4: m1[i][]，lda.s1 -> m1[i][] ；指数运算
P5: ( (m1[i][]，lda.v2)，v2），v1 -> v1

函数2 digamma
lda.L1.1.2（36行）
P6: v1 -> lda.v1

函数3 computer_likelihood
comp.L1.1（66-71行）
P7: （（comp.v1，comp.s2，m1[][i]，m2[i][]），（m1[][i]，v2）)，comp.s1 -> comp.s1