bernoulli_distribution对uniform_int_distribution

Question

在比较bernoulli_distribution的默认构造函数(50/50的真/假概率)和uniform_int_distribution{0, 1} (一致的概率为0或1)时，我发现bernoulli_distributions至少比uniform_int_distribution慢2倍和6倍以上，尽管它们给出了相同的结果。

我希望bernoulii_distribition能够更好地执行，因为它是专门为两个结果的概率而设计的，是正确的还是错误的；然而，它没有。

鉴于以上和下面的性能指标，伯努利发行版在uniform_int_distributions?上有实际用途吗？

结果超过5次运行(发布模式，x64位)：(在没有附加调试器的情况下，请参阅下面的版本运行编辑)

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
----------

剖析代码：

#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，bernoulli仍然运行了4倍的速度：

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
-----

Answer 1

一些评论和回答建议使用uniform_real_distribution。

我测试了uniform_real_distribution(0.0f, nextafter(1.0f, 20.f)) (说明urd是半封闭的范围)和bernoulli_distribution，不管概率如何，bernoulli_distribution的速度大约是20%-25% (并且给出了更正确的结果。我测试了1.0的真实概率，我使用上述urd值的实现实际上给出了假否定(五百万次运行中有一次或两次)，而bernoulli给出了正确的一次。

所以，就速度而言：bernoulli_distribution比uniform_real_distribution快，但比uniform_int_distribution慢.

长话短说，对工作使用正确的工具，不要重新发明轮子，STL是构建良好的等等，并且取决于用例一个比另一个更好。

是的-不可能(IsPercentChance(float probability))，bernoulli_distribution更快更好。

对于纯粹的“给我一个随机的布尔值”，uniform_int_distribution更快更好。

Answer 2

默认构造的std::bernoulli_distribution对这两种结果的权重相等，但您可以给它一个不同的分布参数来更改概率。这可能会带来额外的复杂性。更好的比较方法是使用std::uniform_real_distribution<double>并将其结果与0.5进行比较(默认情况下，它在[0, 1)范围内给出一个随机数)。

例如，看这里：

gcc产出：

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(多次跑会给出更高的时间，这与你所看到的完全相反)。有了clang，我就得到了bernoulli和real的相似之处，而制服int的时间要少得多。这两种方法都使用-O3。

Answer 3

类bernoulli_distribution用于生成具有可能不均匀比率的布尔值。为了达到这个目的，它必须在0,1范围内生成一个浮点，然后将它与给定的概率进行比较。或者任何类似的东西。

很明显，这个例程可能比随机整数模2慢--这几乎是从随机数在{0,1}中创建一个统一数所需的全部。

这怎么会令人惊讶？只有当编译器设法找出不必要的操作，同时意识到编译时是50/50时，性能才能达到平衡。