Julia：用benchmarkTools检测Performance

在julia中优化代码的一种方法是确保类型的稳定性。如果函数中一些变量的类型不确定，编译器无法对这些变量进行确认，执行效率就会降低。
当函数内部变量的类型是确认时，执行效率会提高

我们来看下面的两个函数func1和func2
下面的代码就是典型的函数内部变量类型“模糊”现象：
因为输出时的数据类型可能是Float，Int，Rational
function func1()
    s = rand()
    if s > 2/3
        return .666667
    elseif s > 1/3
        return 1//3
    else
        return 0
    end
end

而下面代码的performance就比上面的代码好一些
function func2()
    s = rand()
    if s > 2/3
        return .666667
    elseif s > 1/3
        return 0.3333333
    else
        return 0.0
    end
end

使用下面的代码进行测试
using BenchmarkTools  # 当然你要安装此包
@benchmark func1()
@benchmark func2()


下面给出两个实例
function my_mult1(A)
    output = 0
    for x in A
        output *= x
    end
    return output
end

function my_mult2(A)
    output = zeros(eltype(A))  # eltype()返回参数的数据类型
    for x in A
        output *= x
    end
    return output
end

# 下面进行测试
using BenchmarkTools
A = rand(10^3)
@benchmark my_mult1(A)
测试结果如下：
BenchmarkTools.Trial: 
  memory estimate:  46.88 KiB
  allocs estimate:  3000
  --------------
  minimum time:     22.700 μs (0.00% GC)
  median time:      23.801 μs (0.00% GC)
  mean time:        31.329 μs (13.79% GC)
  maximum time:     3.062 ms (97.99% GC)
  --------------
  samples:          10000
  evals/sample:     1

# 下面测试第二个函数
@benchmark my_mult2(A)
测试结果如下：
BenchmarkTools.Trial: 
  memory estimate:  16 bytes
  allocs estimate:  1
  --------------
  minimum time:     1.890 μs (0.00% GC)
  median time:      1.900 μs (0.00% GC)
  mean time:        3.060 μs (0.00% GC)
  maximum time:     10.011 ms (0.00% GC)
  --------------
  samples:          10000
  evals/sample:     10

可以看出my_mult1的minimum约是my_mult2的minimum的11倍

最后再介绍一种report执行时间和内存使用情况的函数：btime
A = rand(1000,1000)
function func(A)
    s = zeros(eltype(A))
    for x in A
        s += x
    end 
end

@btime func(A)

# 结果如下
42.722 ms (1000001 allocations: 91.55 MiB)

# 此文有两个学习点，一是BenchmarkTools的使用，二是了解一种程序的优化方法