Google Benchmark项目中禁用benchmark_main目标的CMake配置优化
2025-05-24 03:57:23作者:伍希望
在Google Benchmark项目的使用过程中,开发者有时需要根据特定需求对基准测试框架进行定制化配置。本文将深入探讨如何通过CMake配置来优化项目构建,特别是针对不需要使用默认main()函数的情况。
背景与需求分析
Google Benchmark是一个广泛使用的C++微基准测试框架,它提供了两个主要组件:
- benchmark::benchmark - 核心基准测试功能库
- benchmark::benchmark_main - 包含默认main()函数的辅助库
许多项目需要自定义main()函数来实现特殊初始化逻辑,如:
- MPI并行环境的初始化
- GPU后端设备的设置
- 自定义命令行参数处理
- 特殊的测试环境配置
在这种情况下,项目实际上并不需要使用benchmark_main提供的默认main()实现,但默认的CMake配置仍会构建这个目标,造成不必要的编译资源消耗。
解决方案:EXCLUDE_FROM_ALL选项
CMake提供了EXCLUDE_FROM_ALL选项,可以优雅地解决这个问题。当使用add_subdirectory引入Google Benchmark作为子项目时,可以这样配置:
add_subdirectory(
${GOOGLETEST_SOURCE_DIR}
${GOOGLETEST_BINARY_DIR}
EXCLUDE_FROM_ALL
)
这个配置的关键作用在于:
- 只构建项目实际依赖的目标
- 自动跳过不需要的目标(如benchmark_main)
- 保持构建系统的简洁性
- 减少不必要的编译时间
技术原理深入
EXCLUDE_FROM_ALL是CMake的一个强大功能,它的工作机制是:
- 默认情况下,CMake会构建子项目中的所有目标
- 使用EXCLUDE_FROM_ALL后,子项目中的目标默认不会被构建
- 只有当父项目显式依赖这些目标时才会触发构建
- 这种按需构建的方式显著提高了大型项目的编译效率
实际应用建议
对于需要自定义main()函数的项目,推荐以下最佳实践:
- 明确声明对benchmark::benchmark的依赖
- 实现自己的main()函数并正确处理基准测试注册
- 使用EXCLUDE_FROM_ALL优化构建过程
- 在CI/CD环境中验证这种配置不会影响测试功能
性能考量
虽然benchmark_main的编译开销相对较小,但在以下场景中优化仍然有价值:
- 大型项目包含多个子模块
- 频繁的增量构建
- 资源受限的构建环境
- 追求极致构建速度的开发流程
通过合理使用CMake的EXCLUDE_FROM_ALL选项,开发者可以在保持功能完整性的同时,优化Google Benchmark项目的构建过程,提高开发效率。
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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
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
270
93
暂无简介
Dart
623
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
378
3.33 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