Google Benchmark项目中测试构建的默认配置探讨
2025-05-27 05:31:03作者:董斯意
Google Benchmark作为一款广泛使用的C++性能测试框架,其构建配置的默认设置对于开发者体验有着重要影响。近期社区中关于是否默认启用内部测试构建(BENCHMARK_ENABLE_TESTING)的讨论值得开发者关注。
默认配置的考量
在软件工程实践中,第三方库的默认配置应当优先考虑最终用户的使用场景而非开发维护需求。Google Benchmark作为性能测试工具库,其主要用户是需要在项目中集成性能测试的开发者,而非工具本身的维护者。
当前版本(v1.9.2)中,BENCHMARK_ENABLE_TESTING默认为ON的配置会导致以下问题:
- 构建过程会生成大量测试相关的可执行文件
- 增加了不必要的构建时间
- 可能造成项目结构的混乱
解决方案比较
对于使用者而言,有两种主要方式可以优化这一情况:
显式禁用测试构建
set(BENCHMARK_ENABLE_TESTING OFF)
这种方式直接明了,但需要在每个项目中显式配置。
使用EXCLUDE_FROM_ALL选项
FetchContent_Declare(googlebenchmark
GIT_REPOSITORY https://github.com/google/benchmark.git
GIT_TAG v1.9.2
EXCLUDE_FROM_ALL)
这种方法更为优雅,通过CMake的EXCLUDE_FROM_ALL特性,只构建显式引用的目标,避免了不必要的测试构建。
现代CMake的最佳实践
随着CMake的发展,现代项目配置更倾向于:
- 区分开发模式和用户模式
- 使用预设(presets)管理不同构建配置
- 通过属性控制目标构建行为
虽然FetchContent目前对预设的支持有限,但作为库的维护者可以考虑:
- 默认关闭测试构建
- 提供清晰的文档说明如何启用开发模式
- 考虑使用CMake预设来管理不同场景的配置
对开发者的建议
在实际项目中集成Google Benchmark时,建议:
- 明确区分开发依赖和运行依赖
- 在CI/CD流程中按需启用测试构建
- 保持构建配置的简洁性和可维护性
- 关注项目更新日志,及时调整构建配置
通过合理的配置管理,可以既享受Google Benchmark强大的性能测试能力,又保持项目构建的简洁高效。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1