如何使用 vDSP / Accelerate in swift for iOS 计算向量元素的平方根答案

【问题标题】：How to compute the square root of a vector elementwise using vDSP / Accelerate in swift for iOS如何使用 vDSP / Accelerate in swift for iOS 计算向量元素的平方根
【发布时间】：2020-02-04 18:35:22
【问题描述】：

我有一个类似于[Float](repeating: 1.0, count: 42000) 的向量，我想使用 Accelerate 框架计算每个元素的平方根，但不存在与Apple Accelerate Framework scale and normalize a vector 中所述相反的vDSP_vsqrt 函数。我该怎么做？

【问题讨论】：

标签： ios swift accelerate-framework

【解决方案1】：

vForce Swift 覆盖使语法更简单：

vForce.sqrt(vector: AccelerateBuffer)

看看：https://github.com/apple/swift/blob/master/stdlib/public/Darwin/Accelerate/vForce_Operations.swift

...和...

https://developer.apple.com/videos/play/wwdc2019/718/

【讨论】：

【解决方案2】：

看来要调用的正确函数是来自vForce 的vvsqrtf。

以下是the documentation 的用法示例：

var x: [Float] = [100, 10000, 64, 144]
var y = [Float](repeating: 0, count: x.count)
var n = Int32(x.count)

vvsqrtf(&y, &x, &n)

print(y) // [10.0, 100.0, 8.0, 12.0]

请注意，您还可以“就地”计算平方根：

var data = [Float](repeating: 25.0, count: input.count)
let n = Int32(data.count)

vvsqrtf(&data, data, &n)

【讨论】：

【解决方案3】：

我建议制作辅助函数来包装 vvsqrtf，以公开更 Swift 友好的 API：

import Accelerate

extension Array where Element == Float {
    func squareRootedElements() -> [Float] {
        if self.isEmpty { return [] }

        var output = Array(repeating: 0, count: self.count)
        var count = Int32(self.count)

        vvsqrtf(&output, self, &count)

        return output
    }

    mutating func squareRootElements() {
        if self.isEmpty { return }

        var count = Int32(self.count)

        vvsqrtf(&self, self, &count)
    }
}

var squares = stride(from: 0 as Float, through: 10, by: +1).map { $0 * $0 }
print(squares)
print(squares.squareRootedElements())

【讨论】：

不需要缓冲区指针，只需vvsqrtf(&output, self, &count)
@JeremyCochoy 哦，如果vvsqrtf 的第一个和第二个参数使用相同的缓冲区，它会就地覆盖吗？
@JeremyCochoy 更新:)
@gasher729 这不是真的。这里产生的唯一开销是函数调用的恒定时间开销，如果您担心，它甚至可以内联。它所做的事情与您自己拨打 vvsqrtf 所做的事情相同，但复制/粘贴更少
此外，您的前提有点误导。您使用加速来加速可并行化操作。它的附加值是它可以在 CPU 或 GPU 中使用 SIMD 指令来加速你的代码，它的加速因子与你的数据大小成正比。它的增值不是消除单个快速函数调用的开销（更不用说这种开销在数据大小上是 O(1) 的事实）。