Google Benchmark 迭代次数异常问题分析与解决
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次数显示问题。测试用例包含两个基准测试:readFile和calculateAverages,但结果显示calculateAverages的迭代次数异常高(4046608次),而readFile只有1次,这与预期不符。
问题现象
测试代码的基本结构如下:
class One_BRC : public benchmark::Fixture {
protected:
std::map<std::string, std::vector<float>> _data;
public:
void SetUp(::benchmark::State &state) {}
void TearDown(::benchmark::State &state) {}
};
BENCHMARK_F(One_BRC, readFile)(benchmark::State &st) {
for (auto _: st) {
_data = readFile();
}
}
BENCHMARK_F(One_BRC, calculateAverages)(benchmark::State &st) {
for (auto _: st) {
calcAvr(_data);
}
}
测试结果输出:
One_BRC/readFile 1.5273e+11 ns 1.5268e+11 ns 1
One_BRC/calculateAverages 178 ns 178 ns 4046608
问题分析
-
编译器优化问题:Google Benchmark的工作原理是通过多次运行被测代码来获取稳定的性能数据。当被测代码执行时间过短时,框架会自动增加迭代次数以获得有意义的结果。然而,这里显示的异常高迭代次数表明编译器可能对代码进行了过度优化。
-
测试夹具生命周期:Google Benchmark中,每个测试用例都会创建新的测试夹具实例。这意味着
readFile测试中填充的_data并不会自动传递给calculateAverages测试,后者使用的是默认构造的空map。 -
数据未被使用:在
calculateAverages测试中,由于_data为空,calcAvr函数实际上没有做任何有意义的工作,导致执行时间极短(178ns),从而触发了框架的自动迭代次数调整机制。
解决方案
-
防止编译器优化:使用
benchmark::DoNotOptimize和benchmark::ClobberMemory来确保编译器不会优化掉关键代码。 -
共享测试数据:将测试数据定义为全局变量,确保在多个测试用例间共享。
修正后的代码:
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);
修正后的结果
One_BRC/readFile 1675013 ns 1340255 ns 452
One_BRC/calculateAverages 2292709 ns 295267 ns 2323
性能测试最佳实践
-
确保测试数据的有效性:测试数据应该能够代表真实场景,且足够大以避免测量误差。
-
防止编译器优化:对于关键变量和计算结果,使用
DoNotOptimize确保它们不会被优化掉。 -
理解测试夹具生命周期:每个测试用例都会创建新的测试夹具实例,需要特别注意测试数据的共享问题。
-
合理设置迭代次数:对于执行时间较短的测试,可以手动设置最小迭代时间(
MinTime)以获得更稳定的结果。 -
多次运行取平均值:考虑使用
Repetitions选项多次运行整个测试套件,获取更可靠的统计数据。
通过以上分析和修正,我们不仅解决了迭代次数异常的问题,还对Google Benchmark的使用有了更深入的理解,为后续的性能测试工作打下了良好的基础。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00