使用Accelerate框架执行标准化

Question

我需要对包含RGB像素数据的Data执行简单的数学运算。目前我是这样做的：

let imageMean: Float = 127.5
let imageStd: Float = 127.5
let rgbData: Data // Some data containing RGB pixels 
let floats = (0..<rgbData.count).map {
    (Float(rgbData[$0]) - imageMean) / imageStd
}
return Data(bytes: floats, count: floats.count * MemoryLayout<Float>.size)

这是可行的，但是太慢了。我希望我可以使用Accelerate框架来更快地计算，但我不知道如何做到这一点。我保留了一些空间，这样它就不会在这个函数每次启动时都被分配，如下所示：

inputBufferDataNormalized = malloc(width * height * 3) // 3 channels RGB

我尝试了几个函数，比如vDSP_vasm，但是我不能让它工作。有人能告诉我如何使用它吗？基本上我需要替换这个map函数，因为它花费的时间太长了。而且，一直使用预先分配的空间可能会很棒。

Answer 1

跟进我对你的其他相关问题的评论。您可以使用SIMD并行化操作，但需要将原始数组拆分为块。

这是一个简化的示例，它假设数组完全可以被64整除，例如，一个包含1024个元素的数组：

let arr: [Float] = (0 ..< 1024).map { _ in Float.random(in: 0...1) }

let imageMean: Float = 127.5
let imageStd: Float = 127.5

var chunks = [SIMD64<Float>]()
chunks.reserveCapacity(arr.count / 64)

for i in stride(from: 0, to: arr.count, by: 64) {
   let v = SIMD64.init(arr[i ..< i+64])

   chunks.append((v - imageMean) / imageStd) // same calculation using SIMD

}

现在，您可以使用下标访问每个chunk：

var results: [Float] = []
results.reserveCapacity(arr.count)

for chunk in chunks {
   for i in chunk.indices {
      results.append(chunk[i])
   }
}

当然，如果数组不能被64整除，则需要处理余数。

Answer 2

我已经找到了一种使用Accelerate来完成此任务的方法。首先，我为转换后的缓冲区预留空间，如下所示

var inputBufferDataRawFloat = [Float](repeating: 0, count: width * height * 3)

然后我可以像这样使用它：

let rawBytes = [UInt8](rgbData)
vDSP_vfltu8(rawBytes, 1, &inputBufferDataRawFloat, 1, vDSP_Length(rawBytes.count))
            
vDSP.add(inputBufferDataRawScalars.mean, inputBufferDataRawFloat, result: &inputBufferDataRawFloat)
vDSP.multiply(inputBufferDataRawScalars.std, inputBufferDataRawFloat, result: &inputBufferDataRawFloat)

return Data(bytes: inputBufferDataRawFloat, count: inputBufferDataRawFloat.count * MemoryLayout<Float>.size)

运行速度非常快。也许Accelerate有更好的功能，如果有人知道，请让我知道。它需要执行函数(A[n] + B) * C (或者确切地说是(A[n] - B) / C，但第一个函数可以转换为这个函数)。