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。