Scilab et Matlab c'est équivalent au niveau des performances et de l'utilisation mémoire. D'ailleurs, pour les 70 Mo ben je sais pas comment tu as eu ces chiffres mais pour moi ça serait plutôt 10Mo.
Pour les boucles, c'est toujours aussi lent car le code est interprété, et c'est le même problème sous Octave, Scilab, Python, etc.
Pour optimiser les performances, il faut écrire les opérations sous forme matricielle au maximum. C'est une gymnastique un peu difficile au début, mais ça fini par devenir un réflexe.
En gros, il ne faut pas écrire:
for i = 1:length(a)
c(i) = a(i)*b(i);
end
Mais plutôt
c = a.*b
Evidemment, cet exemple est trivial. C'est souvent plus compliqué mais ça s'apprend.
[^] # Re: benchs/ tests
Posté par Gilles G. . En réponse à la dépêche Numpy, extension C-Python pour le calcul scientifique. Évalué à 2.
Pour les boucles, c'est toujours aussi lent car le code est interprété, et c'est le même problème sous Octave, Scilab, Python, etc.
Pour optimiser les performances, il faut écrire les opérations sous forme matricielle au maximum. C'est une gymnastique un peu difficile au début, mais ça fini par devenir un réflexe.
En gros, il ne faut pas écrire:
for i = 1:length(a)
c(i) = a(i)*b(i);
end
Mais plutôt
c = a.*b
Evidemment, cet exemple est trivial. C'est souvent plus compliqué mais ça s'apprend.