#!/usr/bin/env python3 from pathlib import Path import os,json ROOT=Path(__file__).resolve().parent;OUT=ROOT/'results/precision-buffer';os.environ.setdefault('MPLCONFIGDIR',str(ROOT/'results/mplconfig')) import numpy as np import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt j=json.load(open(ROOT/'results/DX06-performance.json'));stats=j['analysis']['summaries'];methods=['decoupled','rmsafter','box','invbox'];configs=[('full',256),('reuse',256),('reuse',32)];fig,axs=plt.subplots(1,3,figsize=(14,4),sharey=True);width=.24 for ax,(mode,b)in zip(axs,configs): for i,policy in enumerate(['f64','f32','mixed']): values=[];errors=[] for m in methods: key=f'{policy}.{mode}.{m}.b{b}';s=stats.get(key);values.append(np.nan if s is None else s['mean']);errors.append(np.nan if s is None else 2.262157*s['sd']/np.sqrt(10)) ax.bar(np.arange(4)+(i-1)*width,values,width,yerr=errors,capsize=2,label=policy) ax.set_xticks(range(4),methods,rotation=30);ax.set_title(f'{mode} output / {b} frames');ax.grid(axis='y',alpha=.2);ax.legend() axs[0].set_ylabel('ns / stereo frame');fig.suptitle('DX06: same f32-rounded continuous input, 10 blocks, mean and 95% CI');fig.tight_layout();fig.savefig(OUT/'cpu-precision.png',dpi=160);plt.close(fig) fig,axs=plt.subplots(1,2,figsize=(12,4),sharey=True) for ax,policy in zip(axs,['f64','f32']): for i,(mode,b)in enumerate(configs): ids=[f'{policy}.{mode}.{m}.b{b}'for m in methods];ax.bar(np.arange(4)+(i-1)*width,[stats[k]['mean']for k in ids],width,yerr=[2.262157*stats[k]['sd']/np.sqrt(10)for k in ids],capsize=2,label=f'{mode}/{b}') ax.set_xticks(range(4),methods,rotation=30);ax.set_title(policy);ax.legend();ax.grid(axis='y',alpha=.2) axs[0].set_ylabel('ns / stereo frame');fig.suptitle('Output workspace and call size: identical waveforms and final state within each type');fig.tight_layout();fig.savefig(OUT/'cpu-workspace.png',dpi=160);plt.close(fig) text='''## CPU費用(初回10ms以上のburn-in) 同じ実行ファイル・条件による[3秒burn-inの独立確認](https://github.com/predicatejp/integral-vsti/wiki/Effects-Dynamics-Confirmation-2026-11-05)を別記録として保存する。以下は初回探索の値である。 36条件をブロック内で無作為化した10ブロック、5秒cooldown、seed2026110506、事前登録40比較をHolm補正した。準備2秒、測定4秒分、burn-inは10ms以上かつ準備+測定1周以上。Input Gainや時定数は上記の同じ基準値で、実効係数も各試行JSONへ保存した。 ![数値型のCPU費用](../../results/precision-buffer/cpu-precision.png) Compのf32化は22.9〜26.1%短縮、移動和f64のmixed Limiterは全f64に対して8.0〜11.2%短縮した。それぞれ6比較、計12比較が全てHolm補正後も有意だった。全f32 Limiterの時間はさらに小さいが、10分試験の大きい上限超過と合わせて評価する。 | 方式 | f64 再利用256 | f32 再利用256 | mixed 再利用256 | |---|---:|---:|---:| ''' for m in methods: vals=[stats.get(f'{p}.reuse.{m}.b256')for p in ['f64','f32','mixed']];text+=f'| {m} | '+ ' | '.join('—'if v is None else f"{v['mean']:.4f}"for v in vals)+' |\n' text+=''' 単位はns/stereo frame。mixedはLimiterだけを計測した。 ![出力領域だけを変えた対照](../../results/precision-buffer/cpu-workspace.png) 出力領域だけを全配列から256frame再利用へ変えた対比較では、DSPの大幅短縮は観測されなかった。f64の4方式は差を検出せず、f32のdecoupled/Boxでは約0.12〜0.18ns/frame増加した。再利用256→32ではf32のRMS-after/Box/Inverse Boxが約0.11〜0.29ns増加した。小さい出力領域が必ず処理時間も小さくするとは限らない。 全配列版は準備と測定の合計6秒を確保し、f64で4,608,000bytes、f32で2,304,000bytes。そのうち測定区間4秒を計時内に書き込む。256frame再利用は4,096/2,048bytes、32frameでは512/256bytesとなる。入力と状態の進行は同じ。bypassも同じ契約で測定し、DSP時間から差し引かない。 | 比較 | 平均差ns/frame | 対応差95%CI | Holm p | |---|---:|---|---:| ''' for c in j['analysis']['comparisons']:text+=f"| {c['reference']} → {c['candidate']} | {c['difference']['mean']:+.4f} | [{c['ci95'][0]:+.4f}, {c['ci95'][1]:+.4f}] | {c['p_holm']:.3g} |\n" text+='\n差はcandidate−reference。[全試行・検定・実効設定](../../results/DX06-performance.json)、[図表生成](../../summarize_precision_performance.py)。\n' p=ROOT/'manuscripts/limiter/PrecisionBuffer.md';s=p.read_text();marker='## CPU費用';s=s[:s.index(marker)].rstrip()+'\n'if marker in s else s;p.write_text(s+'\n'+text)