【C++】Eigen优化及D8016错误

Eigen优化过程

背景

最近在写一个保边滤波的算法。为了加快运算速率，采用C++语言，使用Eigen库进行大矩阵运算。

效率问题

作为基于全局图像的算法，需要创建一个全局的矩阵（n*m在数千万到数亿的级别），但是，有效数据大约只有数十万级别，也就是说这是一个不折不扣的稀疏矩阵。因此，我们所有的矩阵运算都是基于Eigen::SparseMatrix

对于矩阵的构建，常用的有以下几种方法。

• 直接给稀疏矩阵（SparseMatrix赋值）

  Eigen::SparseMatrix<double> sparse(rows,cols);
  sparse.insert(row, col, num);  //如果数据不存在 
  sparse.coeffRef(row,col,num);  //如果数据已经存在
  

  经过测试，在没有数据的情况下，insert()和coeffRef()，不论从效率上，还是从效果上，基本没有什么大的差别。

  在实际运行过程中，这种写法是效率最差的一种。20W+的数据跑了1分钟没出结果，果断停了。我们是要做到毫秒级的！！！

• 使用三元组初始化稀疏矩阵

  typename Eigen::Triplet<double> TD;
  vector<TD> tripletList;
  tripletList.reserve(N);
  for(int i=0;i<N;i++;){
      tripletList.push_bach(TD(row,col,num));   //push 操作效率低的离谱
  }
  Eigen::SparseMatrix<double> sparse(rows,cols);
  sparse.setFromTriplet(tripletList.begin(),tripletList.end());  // 这就是为什么我不喜欢用vector，又不得不用的原因
  if(!m_sparseB.isCompressed())   //判断是否有多余的空间需要压缩
  	m_sparseB.makeCompressed();
  

  代码简洁明了，不多做解释。

  在实际运行过程中，这种官方推荐，且被大量使用的写法，效率上依旧是不能满意（20W+的数据，跑7S）。接下来，我们深入探究一下这个原因。

探究及优化

• vector::push_back()是个性能非常的差。

  void fVector() {    //0.413247
      vector<int> vec;
      for (size_t i = 0; i < 2000000; i++) {
          vec.push_back(i);
      }
  }
  void fvecSize() {   //0.0406735
      vector<int> vec(2000000);
      for (size_t i = 0; i < 2000000; i++) {
          vec[i] = i;
      }
  }
  void farray() {   //0.0091637
      int* vec = new int[2000000];
      for (size_t i = 0; i < 2000000; i++) {
          vec[i] = i;
      }
      delete[] vec;
  }
  
  

  1. 在实际测试中，200W的数据，跑出了0.4s，的成绩。

  2. 提前分配内存，使用 = 操作，时间消耗只有0.04s。性能差了10倍！！！

  3. 直接使用数组，则只需要0.009s

  综上：我要干掉push操作

• setFromTriplet是需要编译器优化的

  干掉push之后，效率问题依旧没有得到明显的改变。经过分析，setFromTriplet跑了6S+，我再一次陷入沉思。因为，同样的逻辑，大兄弟跑出了1.3s的骄人成绩。他还是做了大量矩阵计算的前提下，而我，只是得到了两个矩阵，还没有进行计算。

  经过我虚心请教，得到两个可以极大提升效率的优化操作：

  1. 开启VS的优化设置

     根据自己需要，选择时间优先，或者空间优先。

     选择之后，需要关闭编译时的检查，否则会D8016报错。

     把运行时检查选为默认值即可。

  2. 用release跑

     在我跑的代码中，release版本比debug 效率提升大概4倍左右。

VS D8016

D8016 “/Ox”和“/RTC1”命令行选项不兼容

关于该错误，详细了解可看官方文档