Go 泛型基准测试：性能更差还是更好？

Go1.18 已经发布了，泛型终于正式进入了 Go 语言。那泛型将如何影响性能？让我们通过对几个用例进行基准测试来弄清楚。

关于 Go1.18 新特性的文章有很多，讨论也不少。其中一个讨论是我想写的一个主题，即泛型对性能有什么影响？许多读者担心泛型会降低性能，但我的观点是泛型会提高性能。我的观点背后的原因是泛型将允许我们在运行时跳过类型转换、断言和反射，而是依赖编译器在编译时决定这个问题。

在我关于学习泛型^[1]的文章中，我解释了泛型的用法，两个主要好处是减少了基于数据类型的重复函数并避免了interface{}. 这些是我们将在本文中进行基准测试的用例，以发现更改的性能。

说明下：我不是基准测试专家。我只是一个基准测试菜鸟。在我看来，基准测试非常困难。

为了做出公平的基准测试，我们将为每个用例设置一个测试用例。这将意味着我们将

1. 使用重复函数进行基准测试
2. 使用泛型进行基准测试
3. 使用使用 interface{} 进行基准测试

准备函数进行基准测试

我们将重用学习泛型^[2]中的一些代码，在其中，我们有一个Subtract函数可以减去三种Subtractable数据类型之间的值。

我们将要确定哪些 Subtract 方法性能最好。可以在 Playground^[3] 尝试一下。

package functions

// Subtract will subtract the second value from the first
func SubtractInt(a, b int) int {
 return a - b
}

// Subtract64 will subtract the second value from the first
func SubtractInt64(a, b int) int {
 return a - b
}

// SubtractFloat32 will subtract the second value from the first
func SubtractFloat32(a, b float32) float32 {
 return a - b
}
// SubtractTypeSwitch is used to subtract using interfaces
func SubtractTypeSwitch(a, b interface{}) interface{} {
 switch a.(type) {
 case int:
  return a.(int) - b.(int)
 case int64:
  return a.(int64) - b.(int64)
 case float32:
  return a.(float32) - b.(float32)
 default:
  return nil
 }
}

// Subtract will subtract the second value from the first
func Subtract[V int64 | int | float32](a, b V "V int64 | int | float32") V {
 return a - b
}

在那里，我们将开始对功能进行基准测试。它们应该相当容易理解，并且我们涵盖了减法、基于数据类型、类型切换和泛型的可能解决方案。

准备基准测试

创建一个常规的测试文件，我们可以在其中存储基准，如果你熟悉 Go 中的基准，你可以阅读这里的教程^[4]。

在基准测试的顶部，我将生成两个切片，一个随机整数切片，一个随机 float32 切片。这些随机切片将用作减法方法的输入参数。

然后我们创建一个b.Run函数，它会一次触发一个函数，次数与我们设置为基准测试器的次数一样多，使用-benchtime标志运行。对于这个基准测试，我将强制基准测试器运行每个函数 1000000000 次。如果你未指定运行函数的次数，则基准测试程序会在特定时间内尽可能多次地运行该函数。这将以它们没有运行相同数量的操作而告终，我希望它们这样做。

这就是我最终的基准测试的样子。

用于执行基准测试以确定泛型性能影响的测试文件。

package functions

import (
 "math/rand"
 "testing"
 "time"
)
// Benchmark_Subtract is used to determine the most performant solution to subtraction
func Benchmark_Subtract(b *testing.B) {
 // Create a slice of random numbers based on the number of iterations set
 // to test the performance of the function
 // Default iterations for me is 1000000000
 // b.N is always 1 so we can use that to set the number of iterations
 numbers := make([]int, 1000000001)
 floatNumbers := make([]float32, 1000000001)
 // Create a random seed

 seed := rand.NewSource(time.Now().UnixNano())
 // Give the seed to the random package
 randomizer := rand.New(seed)
 for i := 0; i < b.N; i++ {
  // randomize numbers between 0-100
  numbers[i] = randomizer.Intn(100)
  floatNumbers[i] = float32(randomizer.Intn(100))
 }
 // run a benchmark for regular Ints
 b.Run("SubtractInt", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   SubtractInt(numbers[i], numbers[i+1])
  }
 })
 // run a benchmark for regular Floats
 b.Run("SubtractFloat", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   SubtractFloat32(floatNumbers[i], floatNumbers[i+1])
  }
 })
 // run a benchmark for TypeSwitched Ints
 b.Run("Type_Subtraction_int", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   SubtractTypeSwitch(numbers[i], numbers[i+1])
  }
 })
 // run a benchmark for TypeSwitched Floats
 b.Run("Type_Subtraction_float", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   SubtractTypeSwitch(floatNumbers[i], floatNumbers[i+1])
  }
 })

 // run a benchmark for Generic Ints
 b.Run("Generic_Subtraction_int", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   Subtract[int](numbers[i], numbers[i+1] "int")
  }
 })
 // run a benchmark for Generic Floats
 b.Run("Generic_Subtraction_float", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   Subtract[float32](floatNumbers[i], floatNumbers[i+1] "float32")
  }
 })
 // run a benchmark where generic type is infered
 b.Run("Generic_Inferred_int", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   Subtract(numbers[i], numbers[i+1])
  }
 })
}

在泛型基准测试中，基准测试将测试所有用例中int和float32的减法函数，我添加了第三个选项，推断数据类型。我还想确定如果我们让泛型函数将数据类型推断为int会有怎样的表现.

要运行基准测试，请使用以下命令。请注意，该-count 5参数用于将每个基准测试运行 5 次。这是因为如果你运行每个基准测试一次，你可能会得到不公平的结果。

go test -v -bench=Benchmark -benchtime=1000000000x -count 5

分析结果

基准测试将与正在运行的函数的名称一起输出，我们可以使用它来识别不同的函数。第二个值是运行的操作数，在我们的例子中，我们将其设置为固定数字，因此所有行都应该显示相同。

第三个输出很有趣，它是每次操作的纳秒数 (ns/op)。这是显示函数平均速度的指标。

Go 测试工具的基准测试结果。

goos: windows
goarch: amd64
pkg: programmingpercy/benchgeneric
cpu: Intel(R) Core(TM) i7-10750H CPU @ 2.60GHz
Benchmark_Subtract
Benchmark_Subtract/SubtractInt
Benchmark_Subtract/SubtractInt-4                1000000000               0.9002 ns/op
Benchmark_Subtract/SubtractInt-4                1000000000               0.8904 ns/op
Benchmark_Subtract/SubtractInt-4                1000000000               0.8277 ns/op
Benchmark_Subtract/SubtractInt-4                1000000000               0.8290 ns/op
Benchmark_Subtract/SubtractInt-4                1000000000               0.8266 ns/op
Benchmark_Subtract/SubtractFloat
Benchmark_Subtract/SubtractFloat-4              1000000000               0.8591 ns/op
Benchmark_Subtract/SubtractFloat-4              1000000000               0.8033 ns/op
Benchmark_Subtract/SubtractFloat-4              1000000000               0.8108 ns/op
Benchmark_Subtract/SubtractFloat-4              1000000000               0.8168 ns/op
Benchmark_Subtract/SubtractFloat-4              1000000000               0.8040 ns/op
Benchmark_Subtract/Type_Subtraction_int
Benchmark_Subtract/Type_Subtraction_int-4               1000000000               1.597 ns/op
Benchmark_Subtract/Type_Subtraction_int-4               1000000000               1.711 ns/op
Benchmark_Subtract/Type_Subtraction_int-4               1000000000               1.607 ns/op
Benchmark_Subtract/Type_Subtraction_int-4               1000000000               1.570 ns/op
Benchmark_Subtract/Type_Subtraction_int-4               1000000000               1.588 ns/op
Benchmark_Subtract/Type_Subtraction_float
Benchmark_Subtract/Type_Subtraction_float-4             1000000000               1.320 ns/op
Benchmark_Subtract/Type_Subtraction_float-4             1000000000               1.311 ns/op
Benchmark_Subtract/Type_Subtraction_float-4             1000000000               1.323 ns/op
Benchmark_Subtract/Type_Subtraction_float-4             1000000000               1.424 ns/op
Benchmark_Subtract/Type_Subtraction_float-4             1000000000               1.321 ns/op
Benchmark_Subtract/Generic_Subtraction_int
Benchmark_Subtract/Generic_Subtraction_int-4            1000000000               0.8251 ns/op
Benchmark_Subtract/Generic_Subtraction_int-4            1000000000               0.8288 ns/op
Benchmark_Subtract/Generic_Subtraction_int-4            1000000000               0.8420 ns/op
Benchmark_Subtract/Generic_Subtraction_int-4            1000000000               0.8377 ns/op
Benchmark_Subtract/Generic_Subtraction_int-4            1000000000               0.8357 ns/op
Benchmark_Subtract/Generic_Subtraction_float
Benchmark_Subtract/Generic_Subtraction_float-4          1000000000               0.7952 ns/op
Benchmark_Subtract/Generic_Subtraction_float-4          1000000000               0.7987 ns/op
Benchmark_Subtract/Generic_Subtraction_float-4          1000000000               0.7877 ns/op
Benchmark_Subtract/Generic_Subtraction_float-4          1000000000               0.8037 ns/op
Benchmark_Subtract/Generic_Subtraction_float-4          1000000000               0.8283 ns/op
Benchmark_Subtract/Generic_Inferred_int
Benchmark_Subtract/Generic_Inferred_int-4               1000000000               0.8297 ns/op
Benchmark_Subtract/Generic_Inferred_int-4               1000000000               0.8283 ns/op
Benchmark_Subtract/Generic_Inferred_int-4               1000000000               0.8319 ns/op
Benchmark_Subtract/Generic_Inferred_int-4               1000000000               0.8366 ns/op
Benchmark_Subtract/Generic_Inferred_int-4               1000000000               0.8623 ns/op
PASS
ok      programmingpercy/benchgeneric   37.114s

从结果中，我们可以确定类型断言函数要慢得多。它*慢了大约 50-90%*。在这个测试用例中，这似乎很荒谬，因为我们谈论的是半纳秒。

泛型函数的执行与特定于数据类型的函数大致相同，但速度略有提高。速度的这种小幅提高可能是由于我计算机上运行的其他软件。以我的心态，我认为编译器完成其工作后，泛型函数调用应该与常规函数调用相同。

我们可以在结果中看到的另一个要点是int减法比float32减法更耗时。常规int减法的平均速度为 0,85478 ns/op，常规float32减法的平均速度为0,8188 ns/op。这意味着在我的基准测试中，float32减法大约快 5% 。

因此，该基准的关键要点是：

• 根据我的观点，类型断言/类型转换解决方案最慢
• 泛型和常规数据类型函数的性能相同
• Float32减法比int快

以真实场景为基准

让我们比较一个真实的场景。在用例中，我们有两个有 Move 的结构Person，Car。这两个结构都有一个Move接受距离的函数，但是，Person 距离被传递为float32 而 Car 接受一个int。

这两种结构都在同一个工作流中处理，因此我们希望在同一个函数中处理它们。

对此的泛型解决方案是创建泛型结构，我们可以在其中定义要在创建时使用的数据类型。接口解决方案是接受结构作为输入，并对它们进行类型断言并转换正确的数据类型。我们不能为它们提供共享接口，因为数据类型不一样。

在代码示例中，有一个泛型和旧类型断言解决方案的实现，类型断言带有后缀Regular，因此我们可以更容易地知道什么与什么解决方案相关。

在具有不同数据类型的Cars和Persons 上执行 Move 的泛型解决方案。

package benchmarking

// Subtractable is a type constraint that defines subtractable datatypes to be used in generic functions
type Subtractable interface {
 int | int64 | float32
}
// Moveable is the interace for moving a Entity
type Moveable[S Subtractable] interface {
 Move(S)
}

// Car is a Generic Struct with the type S to be defined
type Car[S Subtractable] struct {
 Name string
 DistanceMoved S
}

// Person is a Generic Struct with the type S to be defined
type Person[S Subtractable] struct {
 Name string
 DistanceMoved S
}

// Person is a struct that accepts a type definition at initialization
// And uses that Type as the data type for meters as input
func (p *Person[S]) Move(meters S) {
 p.DistanceMoved += meters
}
func (c *Car[S]) Move(meters S) {
 c.DistanceMoved += meters
}

// Move is a generic function that takes in a Generic Moveable and moves it
func Move[S Subtractable, V Moveable[S]](v V, meters S "S Subtractable, V Moveable[S]") {
 v.Move(meters)
}

类型断言方案的 Move：

package benchmarking

// Below is the Type casting based Solution
//
type CarRegular struct {
 Name          string
 DistanceMoved int
}

type PersonRegular struct {
 Name          string
 DistanceMoved float32
}

func (p *PersonRegular) Move(meters float32) {
 p.DistanceMoved += meters
}

func (c *CarRegular) Move(meters int) {
 c.DistanceMoved += meters
}

func MoveRegular(v interface{}, distance float32) {
 switch v.(type) {
 case *PersonRegular:
  v.(*PersonRegular).Move(distance)
 case *CarRegular:
  v.(*CarRegular).Move(int(distance))
 default:
  // Handle Unsupported types, not needed by Generic solution as Compiler does this for you
 }
}

现在我们已经有了解决方案，是时候开始基准测试了。我将在基准测试之前创建 Persons 和 Cars，我们将测量Move 和MoveRegular 的性能。

package benchmarking

import "testing"

func Benchmark_Structures(b *testing.B) {
 // Init the structs
 p := &Person[float32]{Name: "John"}
 c := &Car[int]{Name: "Ferrari"}

 pRegular := &PersonRegular{Name: "John"}
 cRegular := &CarRegular{Name: "Ferrari"}

 // Run the test
 b.Run("Person_Generic_Move", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   // generic will try to use float64 if we dont tell it is a float32
   Move[float32](p, 10.2 "float32")
  }
 })

 b.Run("Car_Generic_Move", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   Move(c, 10)
  }
 })

 b.Run("Person_Regular_Move", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   MoveRegular(pRegular, 10.2)
  }
 })

 b.Run("Car_Regular_Move", func(b *testing.B) {
  for i := 0; i < b.N; i++ {
   MoveRegular(cRegular, 10)
  }
 })
}

我使用以下命令运行测试

go test -v -bench=Benchmark_Structures -benchtime=1000000000x -count 5

运行基准测试的结果

goos: windows
goarch: amd64
pkg: programmingpercy/benchgeneric
cpu: Intel(R) Core(TM) i7-10750H CPU @ 2.60GHz
Benchmark_Structures
Benchmark_Structures/Person_Generic_Move
Benchmark_Structures/Person_Generic_Move-4              1000000000               4.690 ns/op
Benchmark_Structures/Person_Generic_Move-4              1000000000               4.668 ns/op
Benchmark_Structures/Person_Generic_Move-4              1000000000               4.727 ns/op
Benchmark_Structures/Person_Generic_Move-4              1000000000               4.664 ns/op
Benchmark_Structures/Person_Generic_Move-4              1000000000               4.699 ns/op
Benchmark_Structures/Car_Generic_Move
Benchmark_Structures/Car_Generic_Move-4                 1000000000               3.176 ns/op
Benchmark_Structures/Car_Generic_Move-4                 1000000000               3.188 ns/op
Benchmark_Structures/Car_Generic_Move-4                 1000000000               3.296 ns/op
Benchmark_Structures/Car_Generic_Move-4                 1000000000               3.144 ns/op
Benchmark_Structures/Car_Generic_Move-4                 1000000000               3.156 ns/op
Benchmark_Structures/Person_Regular_Move
Benchmark_Structures/Person_Regular_Move-4              1000000000               4.694 ns/op
Benchmark_Structures/Person_Regular_Move-4              1000000000               4.634 ns/op
Benchmark_Structures/Person_Regular_Move-4              1000000000               4.677 ns/op
Benchmark_Structures/Person_Regular_Move-4              1000000000               4.660 ns/op
Benchmark_Structures/Person_Regular_Move-4              1000000000               4.626 ns/op
Benchmark_Structures/Car_Regular_Move
Benchmark_Structures/Car_Regular_Move-4                 1000000000               2.560 ns/op
Benchmark_Structures/Car_Regular_Move-4                 1000000000               2.555 ns/op
Benchmark_Structures/Car_Regular_Move-4                 1000000000               2.553 ns/op
Benchmark_Structures/Car_Regular_Move-4                 1000000000               2.579 ns/op
Benchmark_Structures/Car_Regular_Move-4                 1000000000               2.560 ns/op
PASS
ok      programmingpercy/benchgeneric   75.830s

看到类型断言解决方案比泛型解决方案更快，我有点惊讶。我确保多次运行的基准测试，它不是偶然的。

我们可以从基准中看到，基于 Cars 的 Int 解决方案都比基于 Person 的 float32 的更快。

Person move 方法具有相同的性能，无论是泛型解决方案还是常规解决方案。但是，你可以看到 Cars 的不同之处，类型断言的 Cars 是最快的。类型断言执行比泛型快 20%。

因此，该基准的关键要点如下。

• 基于浮点的类型具有相同的性能，而类型断言的整数 cars 速度更快，这不是我的观点
• Float32 加法比 int 慢

结论

所以，我们现在已经测试了一些我可以看到泛型有用的用例。

老实说，我确实希望第二个基准也能证明泛型更快。这将进一步证明我的说法，即泛型由于是在编译时而不是运行时决定的，因此性能更高。

通过使用泛型或特定于数据类型的函数，我们可以在第一个用例中看到相当大的性能提升。我知道几纳秒可能看起来很荒谬，但是在某些用例中，这些类型的极端优化很重要。我曾经做过一个高性能的网络嗅探器，它必须实时处理大量的网络数据。编写这样的软件将需要所有的优化。

我们已经看到，选择正确的数据类型会对性能产生很大影响。但是，我认为我们可以说，那些表示担心泛型会拖慢软件速度的读者可以冷静下来。从好的方面来说，我看到泛型解决方案允许我们更轻松地交换数据类型，从而提高性能。

另一方面，Go 中的类型断言和类型转换似乎具有超强的性能。

正如我们所看到的，许多因素都会对结果产生影响，例如使用的算术运算符^[5]、数据类型等。在我的基准测试中可能会出现我不知道的错误。

原文链接：https://programmingpercy.tech/blog/benchmarking-generics-in-go

参考资料