我听说意识到类型稳定性对 Julia 编程的高性能有很大贡献，所以我尝试测量将类型不稳定的函数重写为类型稳定版本时可以节省多少时间。正如很多人所说，我认为类型稳定的编码当然比类型不稳定的编码具有更高的性能。然而，结果却相反：

# type-unstable vs type-stable

#?type-unstable
function positive(x)
    if x < 0
        return 0.0
    else
        return x
    end
end

# type-stable
function positive_safe(x)
    if x < 0
        return zero(x)
    else
        return x
    end
end

@time for n in 1:100_000_000
    a = 2^( positive(-n) + 1 )
end

@time for n in 1:100_000_000
    b = 2^( positive_safe(-n) + 1 )
end

结果：

0.040080 seconds
0.150596 seconds

我无法相信这。我的代码中是否有一些错误？或者这是事实？

任何信息，将不胜感激。

语境

• 操作系统和版本：Windows 10
• 浏览器和版本：Google Chrome 90.0.4430.212？官方版本？?64 位）
• JupyterLab 版本：3.0.14

@btime 结果

只是将@time 替换为@btime 为我上面的代码

@btime for n in 1:100_000_000
    a = 2^( positive(-n) + 1 )
end
# -> 1.500 ns 

@btime for n in 1:100_000_000
    b = 2^( positive_safe(-n) + 1 )
end
# -> 503.146 ms

还是很奇怪。

DNF 给我看的完全相同的代码

using BenchmarkTools

@btime 2^(positive(-n) + 1) setup=(n=rand(1:10^8))
# -> 32.435 ns (0 allocations: 0 bytes)
@btime 2^(positive_safe(-n) + 1) setup=(n=rand(1:10^8))

#-> 3.103 ns (0 allocations: 0 bytes)

按预期工作。

我仍然不明白发生了什么。我觉得我必须更好地了解@btime基准测试过程的使用。

顺便说一句，正如我上面所说，我正在 Jupyterlab 上尝试这种基准测试。

回答

# type-unstable

function positive(x)
    if x < 0
        return 0.0
    else
        return x
    end
end

# type-stable
function positive_safe(x)
    if x < 0
        return 0.0
    else
        return Float64(x)
    end
end

function test1()
    a = 0.0
    for n in 1:100_000_000
        a += 2^( positive(-n) + 1 )
    end
    a
end

function test2()
    b = 0.0
    for n in 1:100_000_000
        b += 2^( positive_safe(-n) + 1 )
    end
    b
end

@btime test1()
@btime test2()  

98.045 ms (0 allocations: 0 bytes)
2.0e8

  97.948 ms (0 allocations: 0 bytes)
2.0e8

function test3()
    b = 0.0
    for n in 1:100_000_000
        b += 2^( positive_safe(-n) + 1 )
    end
    nothing
end

@btime test3()

1.611 ns