Julia 中瓶颈操作的优化

Question

我有一个程序，需要执行许多简单的计算(它实际上是蒙特卡罗的变体)。经过基准测试后，我注意到以下函数是我的瓶颈所在。

function get_window_of_Aₖ(model, target , K, n_samples)
    count.([model.(rand(Normal(μ, stddev), K)') .< target(rand(Normal(μ, stddev))) for _ in 1:n_samples])
end

在几行中分析并重写这个函数后，

function get_window_of_Aₖ(model, target, K, n_samples)
    counts = Vector{Int}(undef, n_samples)
    for i in 1:n_samples
        model_samples = rand(Normal(μ, stddev), K)
        target_sample = rand(Normal(μ, stddev))
        @inbounds counts[i] = count(model.(model_samples) .< target(target_sample))
    end
    return counts
end

真正的成本可以在 count(model.(model_samples) .< target(target_sample)). 行中找到。

我尝试过使用sum而不是count ，减去并检查符号，使用 SVectors , map ，但到目前为止我还没有取得满意的优化。有人能想到我没有见过的简单优化吗？另外，我没有使用多线程或多处理，因为我打算在例程的最外层循环中执行此操作，此处未显示。

另一方面，您可以考虑函数 model(x) = 3x + 10和target(x) = 10x + 3 ，例如。

Answer 1

通过避免分配，我的速度提高了 4 倍。我的设置

model_samples = rand(Normal(0, 1), 10_000)
target_sample = rand(Normal(0, 1))

实际测试:

julia> @btime count(model.($model_samples) .< target($target_sample))
  6.800 μs (3 allocations: 5.55 KiB)
1248

julia> @btime sum( model(x) < target($target_sample) for x in $model_samples )
  1.870 μs (0 allocations: 0 bytes)
1248