Fallbeispiele

Diese Seite enthält eine Anzahl von Fallbeispielen für Software-Geschwindigkeits-Optimierung. Die Beispiele sind zur besseren Verständlichkeit bis auf den Kern der Aufgabenstellung reduziert worden.

Bei diesen Beispielen wurden nur die Geschwindigkeitsfaktoren für optimierten Assembler-Code angegeben. Optimierter C/C++ - Code würde zu etwas niedrigeren Zahlen führen.

Bitte wählen Sie unter den folgenden Fallbeispielen:

• Bildverarbeitung: Binarisierung mit doppelter Schwelle
• Digitale Signalverarbeitung: Künstliches Neuronales Netzwerk

Mehr Fallbeispiele werden hinzugefügt werden, bitte besuchen Sie die Seite regelmäßig!

Bildverarbeitung: Binarisierung mit doppelter Schwelle

Dies ist ein Beispiel aus dem Bereich Maschinelles Sehen. Die Aufgabe ist die Erzeugung eines binarisierten Bildes unter Benutzung von 2 Schwellen (untere und obere); die Schwellen werden pro Pixel angegeben in Form eines Bildes. Wenn ein Quell-Pixel zwischen diesen Schwellen liegt, soll das binarisierte Ergebnisbild den Wert 0x0 erhalten, ansonsten 0xff.

Die folgende Funktion ist die C Kernfunktion für das Binarisieren eines Teils einer horizontalen Linie:

void BinarizeWithDoubleThreshold(
  const unsigned char sourceimage[],
  const size_t nrpixels,
  const unsigned char lowerthreshold[],
  const unsigned char upperthreshold[],
  unsigned char binarizedimage[]
)
{
  for( size_t i = 0; i < nrpixels; i++ )
    binarizedimage[ i ] = (unsigned char)(
    (sourceimage[ i ] >= lowerthreshold[ i ]  &&
    sourceimage[ i ] < upperthreshold[ i ]) ? 0x0 : 0xff);
}

Dies sind die Messergebnisse:

* Spezialisierte, separate Funktionen für gecachedte und ungecachedte Daten
** Die SSE2 Befehle sind nur auf dem Pentium 4 und späteren Prozessoren verfügbar
*** Mit Aliasing sind die Ergebnisse deutlich niedriger

Hier ist eine Variante: Die Schwellen sind konstant für jedes Pixel:

void BinarizeWithDoubleThreshold(
  const unsigned char sourceimage[],
  const size_t nrpixels,
  const unsigned char lowerthreshold,
  const unsigned char upperthreshold,
  unsigned char binarizedimage[]
)
{
  for( size_t i = 0; i < nrpixels; i++ )
    binarizedimage[ i ] = (unsigned char)(
    (sourceimage[ i ] >= lowerthreshold  &&
    sourceimage[ i ] < upperthreshold) ? 0x0 : 0xff);
}

Dies sind die korrespondierende Messergebnisse:

* Spezialisierte, separate Funktionen für gecachedte und ungecachedte Daten
** Die SSE2 Befehle sind nur auf dem Pentium 4 und späteren Prozessoren verfügbar
*** Mit Aliasing sind die Ergebnisse deutlich niedriger

Wie anhand dieser Beispiele zu sehen ist, können die Geschwindigkeitsfaktoren beeindruckend hoch sein, insbesondere, wenn das Speichersystem den Prozessor nicht ausbremst. Wie auch gesehen werden kann, ist, dass langsamere CPUs mehr von der Optimierung profitieren im Falle von speicherintensiven Algorithmen deren Daten nicht im Cache sind.

Zum Seitenanfang zurück

Digitale Signalverarbeitung: Künstliches Neuronales Netzwerk

Die (Kern-)Aufgabe hier ist Berechnung der rohen* Aktivierung (bzw. der Ausgabe) eines Neurons. Dies wird durch Summation der Produkte der Ausgaben der Input-Neuronen und der entsprechenden Gewichte berechnet, mit nachfolgender gerundeter Normalisierung. Die Input-Neuronen liefern Werte zwischen 0 und +127, die Gewichte liegen im Bereich -127 .. +127. Es handelt sich also um das Skalarprodukt eines unsigned Byte Arrays mit einem signed Byte Array.

* Der Term roh bezieht sich darauf, dass diese Berechnung nicht den Ausgabe-Wert des Neurons berechnet. Der Ausgabe-Wert wird durch eine Sigmoid-Funktion berechnet, mit dem rohen Wert als Eingabe-Wert.

class Neuron_t
{
  const unsigned char * const InputNeuronValues; // Value range == 0 .. +127
  const signed char * const Weights; // Value range = -127 .. +127
  const size_t NrInputNeurons;
public:
  Neuron_t(
  const unsigned char * const inputneuronvalues,
  const signed char * const weights,
  const size_t nrinputneurons ) :
  InputNeuronValues( inputneuronvalues ),
  Weights( weights ),
  NrInputNeurons( nrinputneurons )
  {
  }

  // Compute raw, normalized, rounded output value
  // Return value = -127 .. +127
  signed char ComputeRawOutputValue( void )
  {
    long sum = 0;
    for( size_t z = 0; z < NrInputNeurons; z++ )
      sum += InputNeuronValues[ z ] * Weights[ z ];
    return( (sum + NrInputNeurons * SCHAR_MAX / 2) /
    (NrInputNeurons * SCHAR_MAX) );
  }
};

Dies sind die Messergebnisse:

* Die SSE2 Befehle sind nur auf dem Pentium 4 und späteren Prozessoren verfügbar

Zum Seitenanfang zurück