问题描述
在比较 bernoulli_distribution 的默认构造函数（真/假的概率为 50/50）和 uniform_int_distribution{0,1}（0 或 1 的均匀概率）时，我发现 bernoulli_distribution 位于至少比 uniform_int_distribution 慢 2 倍和 6 倍以上慢，尽管它们给出了相同的结果。
我希望 bernoulii_distribition 表现更好，因为它是专门为只有两种结果（真或假）的概率而设计的；然而，它没有。
鉴于上面和下面的性能指标，伯努利分布在uniform_int_distributions上有实际用途吗？
超过 5 次运行的结果（发布模式，x64 位）： （有关未附加调试器的发布运行，请参阅下面的编辑）
bernoulli: 58 ms
false: 500690
true: 499310
uniform: 9 ms
1: 499710
0: 500290
----------
bernoulli: 57 ms
false: 500921
true: 499079
uniform: 9 ms
0: 499614
1: 500386
----------
bernoulli: 61 ms
false: 500440
true: 499560
uniform: 9 ms
0: 499575
1: 500425
----------
bernoulli: 59 ms
true: 498798
false: 501202
uniform: 9 ms
1: 499485
0: 500515
----------
bernoulli: 58 ms
true: 500777
false: 499223
uniform: 9 ms
0: 500450
1: 499550
----------
分析代码：
#include <chrono>
#include <random>
#include <iostream>
#include <unordered_map>
int main() {
auto gb = std::mt19937{std::random_device{}()};
auto bd = std::bernoulli_distribution{};
auto bhist = std::unordered_map<bool,int>{};
auto start = std::chrono::steady_clock::Now();
for(int i = 0; i < 1'000'000; ++i) {
bhist[bd(gb)]++;
}
auto end = std::chrono::steady_clock::Now();
auto dif = std::chrono::duration_cast<std::chrono::milliseconds>(end - start);
std::cout << "bernoulli: " << dif.count() << " ms\n";
std::cout << std::boolalpha;
for(auto& b : bhist) {
std::cout << b.first << ": " << b.second << '\n';
}
std::cout << std::noboolalpha;
std::cout << '\n';
auto gu = std::mt19937{std::random_device{}()};
auto u = std::uniform_int_distribution<int>{0,1};
auto uhist = std::unordered_map<int,int>{};
start = std::chrono::steady_clock::Now();
for(int i = 0; i < 1'000'000; ++i) {
uhist[u(gu)]++;
}
end = std::chrono::steady_clock::Now();
dif = std::chrono::duration_cast<std::chrono::milliseconds>(end - start);
std::cout << "uniform: " << dif.count() << " ms\n";
for(auto& b : uhist) {
std::cout << b.first << ": " << b.second << '\n';
}
std::cout << '\n';
}
编辑
我在没有附加调试符号的情况下重新运行了测试，伯努利的运行速度仍然慢了 4 倍：
bernoulli: 37 ms
false: 500250
true: 499750
uniform: 9 ms
0: 500433
1: 499567
-----
bernoulli: 36 ms
false: 500595
true: 499405
uniform: 9 ms
0: 499061
1: 500939
-----
bernoulli: 36 ms
false: 500988
true: 499012
uniform: 8 ms
0: 499596
1: 500404
-----
bernoulli: 36 ms
true: 500425
false: 499575
uniform: 8 ms
0: 499974
1: 500026
-----
bernoulli: 36 ms
false: 500847
true: 499153
uniform: 8 ms
0: 500082
1: 499918
-----
解决方法
类 bernoulli_distribution 用于生成具有可能不均匀比率的布尔值。为了实现这一点，它必须在 [0,1] 范围内生成一个浮点数，然后将它与给定的概率进行比较。或任何等效的东西。
很明显，此例程可能比采用随机整数模 2 慢 - 这几乎是从随机数在 {0,1} 中创建统一数所需的全部。
有什么好惊讶的？只有当编译器在编译过程中意识到它是 50/50 的同时设法找出不必要的操作时，性能才能达到偶数。
,默认构造的 std::bernoulli_distribution 赋予两个结果相同的权重，但您可以为其赋予不同的分布参数以更改概率。这可能会导致额外的复杂性。更好的比较是使用 std::uniform_real_distribution<double> 并将其结果与 0.5 进行比较（默认情况下，它会给出范围 [0,1) 中的随机数）。
See here 示例：
gcc 输出：
bernoulli: 28 ms
false: 499818
true: 500182
uniform: 31 ms
1: 500686
0: 499314
real: 29 ms
1: 500191
0: 499809
clang 输出：
bernoulli: 106 ms
false: 500662
true: 499338
uniform: 23 ms
1: 501263
0: 498737
real: 101 ms
1: 499683
0: 500317
使用 gcc 的结果大致相同（多次运行往往会使统一的 int 时间更长，这与您所看到的相反）。使用 clang 我得到的 bernoulli 和 real 大致相同，uniform int 的时间要少得多。这两个都使用 -O3。
一些评论和答案建议改用 uniform_real_distribution。
我测试了 uniform_real_distribution(0.0f,nextafter(1.0f,20.f))（为了说明 urd 是一个半封闭范围）与 bernoulli_distribution 相比，bernoulli_distribution 的速度提高了大约 20%-25%概率（并给出更正确的结果。我测试了 1.0 真概率，我使用上述 urd 值的实现实际上给出了假阴性（五分之二的100 万次运行）和 bernoulli 给出了正确的无。
因此，速度方面：bernoulli_distribution 比 uniform_real_distribution 快但比 uniform_int_distribution 慢。
长话短说，为工作使用正确的工具，不要重新发明轮子，STL 构建良好，等等，并且取决于用例，一个比另一个更好。
对于是非概率 (IsPercentChance(float probability))，bernoulli_distribution 更快更好。
对于纯粹的“给我一个随机的随机布尔值”，uniform_int_distribution 更快更好。