gd32f450程序怎么提升算法的加速

Posted 2023-04-09

gd32f450程序提升算法加速：
1、合理使用多线程。
2、减少不必要的调用。
3、优化算法。
4、算法并行化
冒泡排序算法和选择排序算法的时间复杂度为N的平方，快速排序算法的时间复杂度为N logn。这样的方法实际上是算法并行化的核心思想。以空间交换时间，增加存储资源的开销，以保证数据的快速处理。这是唯一适合GPU的特性。
5、数据并行化
原则上，数据越规则，如16 × 16、32 × 32数据块。当然，最好匹配硬件的特性，比如硬件的位宽。
6、并行化操作
在这一步中，严格地说，其实就是对算法的一些细节进行了优化。 参考技术A GD32F450的TLI (TFT-LCD控制器)连接同步的LCD接口，并且为无源LCD提供像素数据、时钟以及时序信号来驱动LCD显示屏。它支持不同的可编程的时序参数。内置的DMA可以不断的从系统存储器(如外接的SDRAM里)搬运数据并输出到外部的LCD显示。GD32F450的TLI接口具备了多层显示能力，可以支持两个独立的显示层，并支持层窗口和层混叠。

TLI接口只负责产生LCD需要的时序，并没有集成RAM。由于显示高分辨率图形图像所需要的RAM容量较大(通常几百KB以上)，不可能直接使用MCU内置的RAM，所以需要外扩一片SDRAM来缓存所需要显示的图像数据。在这里，SDRAM的作用是LCD的显存。比如要驱动480*272分辨率16位色的裸屏，则显存就需要480*272*(16/8) 个字节。
那么在使用TLI之前，要配置好LCD的时序并设置外扩的SDRAM的地址。开启并配置好TLI之后，就可以在LCD的时钟引脚测量到有稳定的频率输出，MCU会自动将SDRAM缓存的内容输送到LCD屏幕上显示。我们通过改变SDRAM缓存的内容就可以直接改变显示内容。
TLI模块支持2个图层和1个背景图层，一般来说显示一个图层就可以了。但这2个图层可以单独设置显示区域和SDRAM缓存地址，并且同时开启时，支持层窗口和层混叠，这样就发挥了多层显示的效果。MCU自动将2个图层的显示内容进行混合，混合顺序是：图层2 -> 图层1 -> 背景色，图层2位于最顶层，我们可以利用这两个图层实现复杂的功能，以及比如透明度变化以及毛玻璃效果等特殊的显示效果。
另外，TLI模块还可以跟GD32F450内置的图像处理加速器(IPA)一起使用。IPA的本质是一个专用的DMA用于做图像之间的传输，提供了从某一个或两个源图像到目标图像的可配置的、灵活的图像处理功能。Flash与SDRAM之间的数据的传输都可以通过IPA来硬件传输，MCU只需要配置一下传输的路径，并在中断里等传输完成的通知就可以。IPA可以很大程度提升整个系统处理图像的能力，比如可以复制某一源图像到目标图像中并同时进行特定的格式转换，或者将两个不同的源图像进行混合，并将得到的结果进行特定的颜色格式转换，以及用特定的颜色填充目标图像区域等。

一份让Python疯狂加速的工具合集！

小橡皮 | 作者

知乎专栏 | 来源

https://zhuanlan.zhihu.com/p/31044229

---

这篇文章会提供一些优化代码的工具。会让代码变得更简洁，或者更迅速。

当然这些并不能代替算法设计，但是还是能让Python加速很多倍。

其实前面讲算法的文章，也有提到过。比如适用于双向队列的 deque，以及在合适的条件下运用 bisect 和 heapq 来提升算法的性能。

而且前面也提到过，Python提供了当今最高级也是最有效的排序算法(list.sort)。

另外还有一个功能多样又迅速的散列表(dict)。而且如果写迭代器封装、功能性代码或者是某种额外扩展的时候，或许CyToolz可以用得到。当然在itertools和 functools模块中，还有很多函数可以带来很高效的代码。

这篇文章主要讲优化单处理器的代码，下面会介绍一些一些高效的函数实现，也有已经封装好的拓展模块，还包括速度更快的Python解释器。

当然多处理器版本确实能大幅提高运行效率。如果想了解多核编程，可以从multiprocessing模块开始。而且也能找到非常多的关于分布式计算的第三方工具。这里可以看一下Python wiki上的关于Parallel Processing的内容。

接下来，会说一些关于Python加速工具的选单。

1

NumPy、SciPy、Sage和Pandas

先说NumPy，它的核心是一个多维数字数组的实现。除了这个数据结构之外，还实现了若干个函数和运算符，可以高效地进行数组运算。并且对于被调用的次数进行了精简。它可以被用来进行极其高效的数学运算。

SciPy和Sage都将NumPy内置为自身的一部分，同时内置了其他的不同的工具，从而可以用于特定科学、数学和高性能计算的模块。

Pandas是一个侧重于数据分析的工具。如果处理大量半结构化数据的时候，可能也会用到Pandas相关的工具，比如Blaze。

2

PyPy、Pyston、Parakeet

Psyco和Unladen Swallow

让代码运行的更快，侵入性最小的就是使用实时编译器(JIT编译)。以前的话我们可以直接安装Psyco。安装之后导入psyco，然后调用psyco.full()。代码运行速度就可以明显提升。运行Python代码的时候，它可以实时监控程序，会将一部分代码编译为了机器码。

现在好多Psyco等加速器的项目已经停止维护了，不过类似的功能在PyPy中得到了继承。

PyPy为了方便分析、优化和翻译，用Python语言将Python重新实现了一遍，这样就可以JIT编译。而且PyPy可以直接将代码翻译成像C那样的性能更高的语言。

Unladen Swallow是一个Python的JIT编译器。是Python解释器的一本版本，被称为底层虚拟机(LLVM)。不过这个开发已经停止了。

Pyston是一个与LLVM平台较为接近的Python的JIT编译器。很多时候已经优于Python的实现，但不过还有很多地方不完善。

3

GPULib、PyStream

PyCUDA和PyOpenCL

这四个都是用在图像处理单元来实现代码的加速。前面讲的都是用代码优化来实现加速的。而这些都是从硬件层面上进行加速，如果有一个强大的GPU，我们可以用GPU来计算，从而减少CPU宝贵的资源。

PyStream古老一点。GPULib提供了基于GPU的各种形式的数据计算。

如果用GPU加速自己的代码，可以用PyCUDA和PyOpenCL。

4

Pyrex、Cython

Numba和Shedskin

这四个项目都致力于将Python代码翻译为C、C++和LLVM的代码。Shedskin会将代码编译为C++语言。Pyrex、Cython编译的主要目标是C语言。Cython也是Pyrex的一个分支。

而且，Cython还有NumPy数组的额外支持。

如果面向数组和数学计算的时候，Numba是更好的选择导入时会自动生成相应的LLVM的代码。升级版本是NumbaPro，还提供了对GPU的支持。

5

SWIG、F2PY

Boost.Python

这些工具可以将其他的语言封装为Python的模块。第一个可以封装C/C++语言。F2PY可以封装Fortran。Boost.Python可以封装C++语言。

SUIG只要启动一个命令行工具，往里面输入C或者C++的头文件，封装器代码就会自动生成。除了Python，而且可以成为其他语言的封装器，比如Java和PHP。

6

ctypes、llvm-py

和CorePy2

这些模块可以帮助我们实现Python底层对象的操作。ctypes模块可以用于在内存中构建编译C的对象。并且调用共享库中的C的函数。不过ctypes已经包含在Python的标准库里面了。

llvm-py主要提供LLVM的Python接口。以便于构建代码，然后编译他们。也可以在Python中构建它的编译器。当然搞出自己编程语言也是可以的。

CorePy2也可以进行加速，不过这个加速是运行在汇编层的。

7

Weave、Cinpy和PyInline

这三个包，就可以让我们在Python代码中直接使用C语言或者其他的高级语言。混合代码，依然可以保持整洁。可以使用Python代码的字符串的多行特性，可以使其他的代码按照自身的风格来进行排版。

8

其他工具

如果我们要节省内存，就不能使用JIT了。一般JIT都太耗费内存。有一句话说的很对，时间和内存经常不能兼得，而我们在工程开发中，总是要寻找他们的平衡点。

至于其他的一些东西，比如Micro Python项目，这个是用在嵌入式设备或者微控制器上面使用的。

如果只是想在Python环境中工作，然后想用别的语言，可以看看这个项目Julia。

推 荐关 注

▼