Google Benchmark 迭代计数异常问题分析与解决方案
问题背景
在使用Google Benchmark进行性能测试时,开发者遇到了一个奇怪的迭代计数问题。测试结果显示,calculateAverages
方法的迭代次数异常高(4046608次),而readFile
方法则只执行了1次。这与预期不符,因为两个方法都应该只执行1次迭代。
问题分析
通过分析代码和测试结果,我们可以发现几个关键点:
-
测试用例设计问题:开发者使用了Google Benchmark的Fixture类来组织测试,但误解了Fixture的生命周期。每个Benchmark测试方法都会创建新的Fixture实例,导致
_data
成员变量在不同测试方法之间不共享。 -
编译器优化影响:由于测试结果未被有效使用,编译器可能会优化掉部分计算,导致计时不准确。Google Benchmark提供了
DoNotOptimize
和ClobberMemory
方法来防止这种优化。 -
迭代次数自动调整:Google Benchmark会根据执行时间自动调整迭代次数,以使总测试时间在合理范围内。快速执行的方法会被多次迭代以获得更准确的测量结果。
解决方案
方案1:使用全局变量共享数据
std::map<std::string, std::vector<float>> _data;
class One_BRC : public benchmark::Fixture {
protected:
public:
void SetUp(::benchmark::State& state) {}
void TearDown(::benchmark::State& state) {}
};
BENCHMARK_DEFINE_F(One_BRC, readFile)(benchmark::State& st) {
for (auto _ : st) {
_data = readFile();
benchmark::DoNotOptimize(_data);
}
}
BENCHMARK_DEFINE_F(One_BRC, calculateAverages)(benchmark::State& st) {
for (auto _ : st) {
calcAvr(_data);
}
}
BENCHMARK_REGISTER_F(One_BRC, readFile);
BENCHMARK_REGISTER_F(One_BRC, calculateAverages);
方案2:使用独立的测试用例
如果两个操作需要独立测试,可以分别创建独立的测试用例,确保每个测试都是自包含的:
static void BM_readFile(benchmark::State& state) {
for (auto _ : state) {
auto data = readFile();
benchmark::DoNotOptimize(data);
}
}
BENCHMARK(BM_readFile);
static void BM_calculateAverages(benchmark::State& state) {
auto data = readFile(); // 准备数据
for (auto _ : state) {
calcAvr(data);
benchmark::DoNotOptimize(data);
}
}
BENCHMARK(BM_calculateAverages);
最佳实践建议
-
理解Fixture生命周期:每个Benchmark测试方法都会创建新的Fixture实例,成员变量不会在不同测试方法之间共享。
-
防止编译器优化:对于需要测量的代码,使用
benchmark::DoNotOptimize
确保编译器不会优化掉关键操作。 -
合理设置迭代次数:Google Benchmark会自动调整迭代次数以获得准确测量,对于长时间运行的操作,迭代次数会减少;对于快速操作,会增加迭代次数。
-
测试数据准备:对于依赖外部数据的测试,确保在测试方法内部或SetUp方法中正确准备数据。
-
结果验证:除了测量时间,还应验证计算结果的正确性,确保测试的有效性。
通过正确理解和使用Google Benchmark的这些特性,可以获得更准确和可靠的性能测试结果。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









