Google Benchmark 在 Windows 下使用 MinGW 编译的注意事项
Google Benchmark 是一个广泛使用的 C++ 微基准测试库,但在 Windows 平台上使用 MinGW 编译时可能会遇到一些特定问题。本文将详细介绍这些问题的成因及解决方案。
问题现象
在 Windows 10 系统上使用 MinGW 编译 Google Benchmark 时,用户可能会遇到以下编译错误:
error: '*(const std::array<long long unsigned int, 34>*)((char*)&values1 + offsetof(benchmark::internal::PerfCounterValues, benchmark::internal::PerfCounterValues::values_)).std::array<long long unsigned int, 34>::_M_elems[0]' may be used uninitialized [-Werror=maybe-uninitialized]
这些错误主要出现在性能计数器测试模块(perf_counters_gtest.cc)中,导致编译失败。
问题根源分析
经过深入分析,这些问题主要由以下几个因素共同导致:
-
GCC 的 maybe-uninitialized 警告机制:最新版本的 GCC 编译器对此类警告的处理存在已知问题,会误报一些实际上已经正确初始化的变量。
-
Windows 平台特殊性:性能计数器相关的测试代码在 Windows 平台上的行为与 Linux 有所不同,特别是
Snapshot函数在 Windows 上不会填充计数器值。 -
测试代码依赖:默认配置会编译并运行所有 Google Test 测试用例,其中包括一些对平台特性敏感的测试。
解决方案
针对上述问题,推荐以下几种解决方案:
方案一:禁用 Google Test 测试
在 CMake 配置阶段添加以下选项:
-DBENCHMARK_ENABLE_GTEST_TESTS=FALSE
这会跳过所有 Google Test 相关的测试编译,避免触发问题代码。这是最简单直接的解决方案,适合只需要核心基准测试功能的用户。
方案二:使用特定版本的 MinGW
某些 MinGW 发行版可能表现更好。推荐使用:
gcc (x86_64-win32-seh-rev0, Built by MinGW-Builds project) 14.1.0
g++ (x86_64-win32-seh-rev0, Built by MinGW-Builds project) 14.1.0
方案三:完整构建命令示例
以下是经过验证的完整构建命令序列:
cmake -S . -B build -G "MinGW Makefiles" -DCMAKE_INSTALL_PREFIX=install -DBENCHMARK_DOWNLOAD_DEPENDENCIES=TRUE
cmake --build build --config Release -j4 --target install --verbose
技术背景补充
Google Benchmark 的性能计数器功能依赖于平台特定的实现。在 Linux 系统上,它通常使用perf_event_open系统调用;而在 Windows 上,则使用不同的性能监控机制。
当启用测试时,perf_counters_gtest.cc会验证这些计数器的功能是否正常工作。但由于 Windows 平台的特殊性以及 GCC 的警告机制,可能导致编译失败。
最佳实践建议
- 对于生产环境使用,建议禁用测试以简化构建过程
- 如果需要完整功能测试,考虑在 Linux 环境下进行
- 保持 MinGW 工具链更新到最新稳定版本
- 使用 CMake 的
-DBENCHMARK_DOWNLOAD_DEPENDENCIES=ON选项自动处理依赖关系
通过以上方法,开发者可以顺利地在 Windows 平台上使用 MinGW 编译和使用 Google Benchmark 库。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00