性能比较误人不浅(理论与现实的次数差距)

简介:
一个简单却误人很深的性能比较问题如下: 
 
群里刚出现了一个反射与Emit的性能比较:
 
测试者:for了20000000次的循环,终于得出了Emit比反射性能来的好结论!!!
 
结论对不?对! 
 
比较普通的用string和stringbuilder的比较,也喜欢for 200000000次的循环,然后得出后者性能好的结论。 
 
结论对不?对!
 
纵观基本几有的性能测试,都喜欢for 100000000后面的0越多越好, 会感觉效果与结论更显著一些!!!
 
其实误区就在这次数,理论与现实的差距!!!!!
 
如果把for的次数设置底于500以下,很明显前者性能好一些。 
 
OK,现实是什么?现实就是很少场景会用到一次操作for超过1000次的,通常for 500次以下的居多。
 
因此现实的情况是:(  web 多线程)并发多,单次循环次数多!
 
 
举例:你读取50条数据,然后反射为实体,输出!(这么多实在的现实场景!!!而读500000000条数据再转实体输出的有没有?有,有病!)
OK, 然后一个用户来访问,你就for了50次。
那么1000人来访问,是啥情况?for了50*1000???(自己猜了)
 
这就是现实了:1000个并发50次和一个人循环50*1000次的性能差别。 

本文旨在告诉大伙:
 
如果你还看不懂这些,没事,都有个过渡,IT领域学错比不学好,被误导是好事,多学,错也不打紧! 
如果你看的懂,有过误导情节,如果你追求性能,理论归理论,现实归现实,结合才是硬道理! 
 




     本文转自cyq1162 51CTO博客,原文链接:http://blog.51cto.com/cyq1162/899632 ,如需转载请自行联系原作者



相关文章
|
7月前
偏微分方程有了基础模型:样本需求数量级减少,14项任务表现最佳
【6月更文挑战第16天】研究人员提出Poseidon模型,减少求解偏微分方程(PDEs)的样本需求,提升效率。在15个挑战任务中,该模型在14项表现最优。基于scOT的多尺度架构, Poseidon降低了计算成本,但仍有泛化和资源限制。[论文链接](https://arxiv.org/pdf/2405.19101)**
97 4
|
8月前
|
人工智能
小模型性能饱和、表现不佳,根源是因为Softmax?
【5月更文挑战第15天】研究人员发现小型语言模型性能受限于Softmax瓶颈,即隐藏维度与目标上下文概率分布不匹配,导致模型在预测时表现不佳。通过实验,他们证实小于1000个隐藏维度的模型易在训练后期出现退化表示,影响性能。该发现为改进小模型性能提供了新视角,但需要更多后续研究验证。[[240 characters]]
77 1
|
机器学习/深度学习 分布式计算 C++
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(3)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(3)
210 1
|
SQL 算法 搜索推荐
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(1)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(1)
150 1
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(4)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(4)
109 1
|
算法
学习计划和理想
学习计划和理想
56 0
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(8)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(8)
118 0
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(2)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(2)
125 0
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(6)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(6)
114 0
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(7)
带你读《2022技术人的百宝黑皮书》——因果推断:效应估计的常用方法及工具变量讨论(7)
100 0