Lib.rs

› 渲染 › 图形API
#benchmark #linear-algebra #transform #matrix #performance #different #game

bitshifter/mathbench

比较Rust数学库在常见3D游戏和图形任务中的性能

由 Cameron Hart 和 7位贡献者 编写

7个版本

0.1.8 2019年8月14日
0.1.7 2019年8月13日
0.1.6 2019年7月21日
0.1.4 2019年6月22日
0.1.2 2019年5月30日

#321 在 图形API

177 星标 & 5 关注者

100KB
1.5K SLoC

mathbench

Build Status

mathbench 是一套单元测试和基准测试，用于比较多个不同的Rust线性代数库在常见游戏和图形开发任务中的输出和性能。

mathbench 由 glam 的作者编写，并已被用于比较 glam 与其他针对游戏和图形开发的目标3D数学库的性能，包括

基准测试

所有基准测试均使用 Criterion.rs 执行。基准测试逻辑上分为以下几类

  • 返回 self - 尝试测量基准测试每种类型的开销。
  • 单个操作 - 测量类型上单个常见操作的性能，例如矩阵求逆、向量归一化或乘以两个矩阵。
  • 吞吐量操作 - 测量在数据批次上执行常见操作的性能。这些测量通常处理输入批次的操作，例如使用相同的矩阵变换多个向量。
  • 工作负载操作 - 这些操作尝试重现游戏开发中常见的负载，以尝试展示在现实世界任务中的性能。

尽管尽了最大努力，但请对微基准测试结果持保留态度。

操作基准

  • matrix benches - 执行常见的矩阵操作，如转置、求逆、行列式和乘法。
  • rotation 3d benches - 执行常见的3D旋转操作。
  • transform 2d & 3d benches - 测试特殊用途的2D和3D变换类型。这些类型在一定程度上可以与3x3和4x4矩阵基准进行比较。
  • transformations benches - 在向量上执行仿射变换 - 根据库选择最佳类型，要么是矩阵类型，要么是变换类型。
  • vector benches - 执行常见的向量操作。

工作负载基准

  • euler bench - 对2D和3D向量的数组执行欧拉积分。

基准测试目前主要关注 f32 类型，因为这是当前 glam 所支持的唯一类型。

crate 差异

不同的库具有不同的特性和不同的实现目标的方式。为了尝试进行性能比较，有时 mathbench 会比较类似的功能，但有时它们并不完全相同。以下是不同库在性能比较方面值得关注的一些差异列表。

矩阵与变换

euclid 库不支持其他库测试中使用的通用正方形矩阵类型。相反，它有2D和3D变换类型，可以变换2D和3D向量和点类型。每个库都有不同的类型来支持变换，但 euclid 是在测试的库中唯一的，因为它没有通用正方形矩阵类型。

Transform2D 被存储为3x2的行主矩阵，可以用于变换2D向量和点。

类似地，Transform3D 用于变换3D向量和点。这表示为4x4矩阵，因此它可以直接与其他库进行比较，但它不支持某些操作，如转置。

在 euclid 中没有2x2矩阵类型。

矩阵求逆

请注意，cgmath 和 nalgebra 的矩阵求逆方法返回一个 Option，而 glam 和 euclid 则不返回。如果使用 glam 或 euclid 对不可逆矩阵求逆，则结果将是无效的（它将包含 NaNs）。

四元数与旋转器

除了提供旋转器的 ultraviolet 之外，大多数库都提供四元数来执行旋转。

宽基准

所有基准测试都分为“宽”或“标量”。这种划分使我们能够更公平地比较这些不同风格的库。

“标量”基准在标准标量 f32 值上操作，一次对一件数据进行计算（或者在 glam 这样的“水平”SIMD库的情况下，一次对 Vec3/Vec4 进行计算）。

“宽”基准以“垂直”AoSoA（结构化数组中的数组）方式操作，这是一种编程模型，允许充分利用SIMD操作的优势。然而，它也使得算法设计更加困难，因为标量算法不能直接由“宽”架构使用。由于这种算法上的差异，我们也无法真正 直接 比较标量与宽类型的性能，因为它们 并不完全 做相同的事情（宽类型同时处理多件数据）。

“宽”基准测试仍然包括仅包含标量的库 glam 作为比较。即使这种比较有些类似于苹果和橘子，但在这些情况下，在运行“宽”基准测试变体时，glam 被配置为进行相同的 工作量，生成与“宽”版本相同的输出。其目的是为了提供一个关于与使用标量类型编写相同算法相比，“宽”类型可能的吞吐量优势的概念，但这需要额外小心地编写算法。

要了解更多关于 AoSoA 架构的信息，请参阅 nalgebra 的作者撰写的一篇博客文章这篇博客文章，该文章更深入地探讨了 AoSoA 的工作原理及其潜在优势。还可以查看 ultraviolet 的 README 中的“示例”部分，其中讨论了如何将标量算法移植到宽算法，并提供了来自 mathbench 的欧拉积分和光线-球面相交基准测试的示例。

请注意，nalgebra_f32x4 和 nalgebra_f32x8 基准测试需要 Rust

此外，f32x8 基准测试将需要 AVX2 指令集，要启用该指令集，您需要使用以下命令构建：RUSTFLAGS='-C target-feature=+avx2。

构建设置

默认使用 profile.bench 设置，这些设置在 cargo 参考文档 中有说明。

一些数学库针对特定的指令集进行了优化，并且可能受益于使用与默认设置不同的设置。通常，游戏团队需要决定他们将针对的最小规格。确定最小规格决定了项目的潜在受众规模。这对任何游戏都是一个重要的决定，而且每个项目都是不同的。由于 mathbench 不想假设任何特定项目可能希望使用的构建设置，因此使用了默认设置。

我鼓励使用与默认设置不同的构建设置的用户自行运行基准测试，并考虑发布他们的结果。

基准测试结果

以下是由 mathbench 生成的基准测试表，比较了 glam 性能与 cgmath、nalgebra、euclid、vek、pathfinder_geometry、static-math 和 ultraviolet 在 f32 数据上的性能。

这些基准测试在 Linux 上的 Intel i7-4710HQ CPU 上进行。它们使用 1.56.1 (59eed8a2a 2021-11-01) Rust 编译器编译。低于（更好）的数字在每个行最小值2.5%范围内突出显示。

测试的库版本如下

  • cgmath - 0.18.0
  • euclid - 0.22.6
  • glam - 0.20.1
  • nalgebra - 0.29.0
  • pathfinder_geometry - 0.5.1
  • static-math - 0.2.3
  • ultraviolet - 0.8.1
  • vek - 0.15.3 （repr_c 类型）

查看完整的mathbench 报告，获取更详细的结果。

标量基准测试

使用以下命令运行

cargo bench --features scalar scalar
benchmark glam cgmath nalgebra euclid vek pathfinder static-math ultraviolet
euler 2d x10000 16.23 us 16.13 us 9.954 us 16.18 us 16.2 us 10.42 us 9.97 us 16.17 us
euler 3d x10000 15.95 us 32.11 us 32.13 us 32.13 us 32.13 us 16.27 us 32.16 us 32.11 us
matrix2 矩阵行列式 2.0386 ns 2.0999 ns 2.1018 ns N/A 2.0997 ns 2.0987 ns 2.0962 ns 2.1080 ns
matrix2 矩阵逆 2.8226 ns 8.4418 ns 7.6303 ns N/A N/A 3.3459 ns 9.4636 ns 5.8796 ns
matrix2 矩阵乘矩阵 2.6036 ns 5.0007 ns 4.8172 ns N/A 9.3814 ns 2.5516 ns 4.7274 ns 4.9428 ns
matrix2 矩阵乘向量2 x1 2.4904 ns 2.6144 ns 2.8714 ns N/A 4.2139 ns 2.0839 ns 2.8873 ns 2.6250 ns
matrix2 矩阵乘向量2 x100 227.5271 ns 243.3579 ns 265.1698 ns N/A 400.6940 ns 219.7127 ns 267.8780 ns 243.9880 ns
matrix2 返回自身 2.4235 ns 2.8841 ns 2.8756 ns N/A 2.8754 ns 2.4147 ns 2.8717 ns 2.8697 ns
matrix2 转置 2.2887 ns 3.0645 ns 7.9154 ns N/A 2.9635 ns N/A 3.0637 ns 3.0652 ns
matrix3 矩阵行列式 3.9129 ns 3.8107 ns 3.8191 ns N/A 3.8180 ns N/A 3.8151 ns 8.9368 ns
matrix3 矩阵逆 17.5373 ns 18.6931 ns 12.3183 ns N/A N/A N/A 12.8195 ns 21.9098 ns
matrix3 矩阵乘矩阵 9.9578 ns 13.3648 ns 7.8154 ns N/A 35.5802 ns N/A 6.4938 ns 10.0527 ns
matrix3 矩阵乘向量3 x1 4.8090 ns 4.9339 ns 4.5046 ns N/A 12.5518 ns N/A 4.8002 ns 4.8118 ns
matrix3 矩阵乘向量3 x100 0.4836 us 0.4808 us 0.4755 us N/A 1.247 us N/A 0.4816 us 0.4755 us
matrix3 返回自身 5.4421 ns 5.4469 ns 5.4526 ns N/A 5.4656 ns N/A 5.4718 ns 5.4043 ns
matrix3 转置 9.9567 ns 10.0794 ns 10.9704 ns N/A 9.9257 ns N/A 10.7350 ns 10.5334 ns
matrix4 矩阵行列式 6.2050 ns 11.1041 ns 69.2549 ns 17.1809 ns 18.5233 纳秒 N/A 16.5331 纳秒 8.2704 纳秒
matrix4 逆矩阵 16.4386 纳秒 47.0674 纳秒 71.8174 纳秒 64.1356 纳秒 284.3703 纳秒 N/A 52.6993 纳秒 41.1780 纳秒
matrix4 乘 matrix4 7.7715 纳秒 26.7308 纳秒 8.6500 纳秒 10.4414 纳秒 86.1501 纳秒 N/A 21.7985 纳秒 26.8056 纳秒
matrix4 乘 vector4 x1 3.0303 纳秒 7.7400 纳秒 3.4091 纳秒 N/A 21.0968 纳秒 N/A 6.2971 纳秒 6.2537 纳秒
matrix4 乘 vector4 x100 0.6136 微秒 0.9676 微秒 0.627 微秒 N/A 2.167 微秒 N/A 0.7893 微秒 0.8013 微秒
matrix4 返回自身 7.1741 纳秒 6.8838 纳秒 7.5030 纳秒 N/A 7.0410 纳秒 N/A 6.7768 纳秒 6.9508 纳秒
matrix4 转置 6.6826 纳秒 12.4966 纳秒 15.3265 纳秒 N/A 12.6386 纳秒 N/A 15.2657 纳秒 12.3396 纳秒
ray-sphere intersection x10000 56.2 微秒 55.7 微秒 15.32 微秒 55.45 微秒 56.02 微秒 N/A N/A 50.94 微秒
rotation3 逆矩阵 2.3113 纳秒 3.1752 纳秒 3.3292 纳秒 3.3311 纳秒 3.1808 纳秒 N/A 8.7109 纳秒 3.6535 纳秒
rotation3 乘 rotation3 3.6584 纳秒 7.5255 纳秒 7.4808 纳秒 8.1393 纳秒 14.1636 纳秒 N/A 6.8044 纳秒 7.6386 纳秒
rotation3 乘 vector3 x1 6.4950 纳秒 7.6808 纳秒 7.5784 纳秒 7.5746 纳秒 18.2547 纳秒 N/A 7.2727 纳秒 8.9732 纳秒
rotation3 乘 vector3 x100 0.6465 微秒 0.7844 微秒 0.7573 微秒 0.7533 微秒 1.769 微秒 N/A 0.7317 微秒 0.9416 微秒
rotation3 返回自身 2.4928 纳秒 2.8740 纳秒 2.8687 纳秒 N/A 2.8724 纳秒 N/A 4.7868 纳秒 2.8722 纳秒
transform point2 x1 2.7854 纳秒 2.8878 纳秒 4.4207 纳秒 2.8667 纳秒 11.9427 纳秒 2.3601 纳秒 N/A 4.1770 纳秒
transform point2 x100 0.3316 微秒 0.3574 微秒 0.4445 微秒 0.3008 微秒 1.212 微秒 0.3184 微秒 N/A 0.4332 微秒
transform point3 x1 2.9619 纳秒 10.6812 纳秒 6.1037 纳秒 7.7051 纳秒 13.2607 纳秒 3.0934 纳秒 N/A 6.8419 纳秒
transform point3 x100 0.6095 微秒 1.27 微秒 0.8064 微秒 0.7674 微秒 1.446 微秒 0.6189 微秒 N/A 0.8899 微秒
transform vector2 x1 2.4944 纳秒 N/A 3.7174 纳秒 2.6273 纳秒 11.9424 纳秒 N/A N/A 3.0458 纳秒
transform vector2 x100 0.3125 微秒 N/A 0.3871 微秒 0.2817 微秒 1.213 微秒 N/A N/A 0.3649 微秒
transform vector3 x1 2.8091 纳秒 7.7343 纳秒 5.5064 纳秒 4.4810 纳秒 15.4097 纳秒 N/A N/A 4.8819 纳秒
transform vector3 x100 0.6035 微秒 0.9439 微秒 0.7573 微秒 0.6327 微秒 1.63 微秒 N/A N/A 0.6703 微秒
transform2 逆矩阵 9.0256 纳秒 N/A 12.2614 纳秒 9.4803 纳秒 N/A 8.9047 纳秒 N/A N/A
transform2 乘 transform2 4.5111 纳秒 N/A 8.1434 纳秒 5.8677 纳秒 N/A 3.8513 纳秒 N/A N/A
transform2 返回自身 4.1707 纳秒 N/A 5.4356 纳秒 4.2775 纳秒 N/A 4.1117 纳秒 N/A N/A
transform3 逆矩阵 10.9869 纳秒 N/A 71.4437 纳秒 56.0136 纳秒 N/A 23.0392 纳秒 N/A N/A
transform3 乘 transform3d 6.5903 纳秒 N/A 8.5673 纳秒 10.1802 纳秒 N/A 7.6587 纳秒 N/A N/A
transform3 返回自身 7.1828 纳秒 N/A 7.2619 纳秒 7.2407 纳秒 N/A 7.3214 纳秒 N/A N/A
vector3 叉乘 2.4257 纳秒 3.6842 纳秒 3.7945 纳秒 3.6821 纳秒 3.8323 纳秒 N/A 3.8622 纳秒 3.6927 纳秒
vector3 点乘 2.1055 纳秒 2.3179 纳秒 2.3174 纳秒 2.3190 纳秒 2.3195 纳秒 N/A 2.3204 纳秒 2.3160 纳秒
vector3 长度 2.5020 纳秒 2.5002 纳秒 2.5986 纳秒 2.5013 纳秒 2.5021 纳秒 N/A 2.5036 纳秒 2.5017 纳秒
vector3 归一化 4.0454 纳秒 5.8411 纳秒 8.4069 纳秒 8.0679 纳秒 8.8137 纳秒 N/A N/A 5.8440 纳秒
vector3 返回自身 2.4087 纳秒 3.1021 纳秒 3.1061 纳秒 N/A 3.1052 纳秒 N/A 3.1136 纳秒 3.1071 纳秒

宽基准

这些基准测试在 Linux 系统上的 Intel i7-4710HQ CPU 上进行。它们使用 Rust 编译器编译，版本为 1.59.0-nightly (207c80f10 2021-11-30)。每行的最小值2.5%范围内的更低（更好）的数字被突出显示。

测试的库版本如下

  • glam - 0.20.1
  • nalgebra - 0.29.0
  • ultraviolet - 0.8.1

使用以下命令运行

RUSTFLAGS='-C target-feature=+avx2' cargo +nightly bench --features wide wide
benchmark glam_f32x1 ultraviolet_f32x4 nalgebra_f32x4 ultraviolet_f32x8 nalgebra_f32x8
euler 2d x80000 142.7 微秒 63.47 微秒 63.94 微秒 69.27 微秒 69.25 微秒
euler 3d x80000 141.2 微秒 97.18 微秒 95.78 微秒 103.7 微秒 105.7 微秒
matrix2 矩阵行列式 x16 18.6849 纳秒 11.4259 纳秒 N/A 9.9982 纳秒 N/A
matrix2 逆矩阵 x16 39.1219 纳秒 29.8933 纳秒 N/A 22.8757 纳秒 N/A
matrix2 矩阵乘矩阵 x16 42.7342 纳秒 36.4879 纳秒 N/A 33.4814 纳秒 N/A
matrix2 矩阵乘矩阵 x256 959.1663 纳秒 935.4148 纳秒 N/A 862.0910 纳秒 N/A
matrix2 矩阵乘向量 x16 41.2464 纳秒 18.2382 纳秒 N/A 17.2550 纳秒 N/A
matrix2 矩阵乘向量 x256 698.1177 纳秒 544.5315 纳秒 N/A 540.9743 纳秒 N/A
matrix2 返回自身 x16 32.7553 纳秒 29.5064 纳秒 N/A 21.4492 纳秒 N/A
matrix2 转置 x16 32.3247 纳秒 46.4836 纳秒 N/A 20.0852 纳秒 N/A
matrix3 矩阵行列式 x16 53.2366 纳秒 25.0158 纳秒 N/A 22.1503 纳秒 N/A
matrix3 逆矩阵 x16 275.9330 纳秒 78.3532 纳秒 N/A 69.2627 纳秒 N/A
matrix3 矩阵乘矩阵 x16 239.6124 纳秒 115.2934 纳秒 N/A 116.6237 纳秒 N/A
matrix3 矩阵乘矩阵 x256 3.26 微秒 1.959 微秒 N/A 1.963 微秒 N/A
matrix3 矩阵乘向量 x16 78.4972 纳秒 40.4734 纳秒 N/A 47.0164 纳秒 N/A
matrix3 矩阵乘向量 x256 1.293 微秒 1.0 微秒 N/A 1.007 微秒 N/A
matrix3 返回自身 x16 112.4312 纳秒 78.4870 纳秒 N/A 67.3272 纳秒 N/A
matrix3 转置 x16 116.9654 纳秒 100.1097 纳秒 N/A 67.4544 纳秒 N/A
matrix4 矩阵行列式 x16 98.8388 纳秒 56.1177 纳秒 N/A 55.7623 纳秒 N/A
matrix4 逆矩阵 x16 276.2637 纳秒 191.7471 纳秒 N/A 163.8408 纳秒 N/A
matrix4 矩阵乘矩阵 x16 230.9916 纳秒 222.3948 纳秒 N/A 221.8563 纳秒 N/A
matrix4 矩阵乘矩阵 x256 3.793 微秒 3.545 微秒 N/A 3.67 微秒 N/A
matrix4 矩阵乘向量 x16 92.9485 纳秒 87.7341 纳秒 N/A 90.4404 纳秒 N/A
matrix4 矩阵乘向量 x256 1.58 微秒 1.542 微秒 N/A 1.596 微秒 N/A
matrix4 返回自身 x16 175.6153 纳秒 158.7861 纳秒 N/A 167.6639 纳秒 N/A
matrix4 转置 x16 184.0498 纳秒 193.5497 纳秒 N/A 147.1365 纳秒 N/A
ray-sphere intersection x80000 567.9 微秒 154.8 微秒 N/A 61.49 微秒 N/A
rotation3 逆矩阵 x16 32.7517 纳秒 32.8107 纳秒 N/A 22.3662 纳秒 N/A
rotation3 乘 rotation3 x16 58.9408 纳秒 38.6848 纳秒 N/A 34.3223 纳秒 N/A
rotation3 乘 vector3 x16 130.6707 纳秒 36.7861 纳秒 N/A 26.1154 纳秒 N/A
rotation3 返回 self x16 32.4345 纳秒 32.5213 纳秒 N/A 21.8325 纳秒 N/A
transform point2 x16 52.6534 纳秒 31.4527 纳秒 N/A 32.7317 纳秒 N/A
transform point2 x256 888.5654 纳秒 831.9341 纳秒 N/A 848.0397 纳秒 N/A
transform point3 x16 96.9017 纳秒 81.6828 纳秒 N/A 82.8904 纳秒 N/A
transform point3 x256 1.567 微秒 1.398 微秒 N/A 1.43 微秒 N/A
transform vector2 x16 43.7679 纳秒 29.9349 纳秒 N/A 31.8630 纳秒 N/A
transform vector2 x256 858.5660 纳秒 825.0261 纳秒 N/A 851.7501 纳秒 N/A
transform vector3 x16 96.5535 纳秒 80.1612 纳秒 N/A 85.0659 纳秒 N/A
transform vector3 x256 1.557 微秒 1.394 微秒 N/A 1.438 微秒 N/A
vector3 cross x16 42.1941 纳秒 26.6677 纳秒 N/A 22.0924 纳秒 N/A
vector3 dot x16 29.1805 纳秒 12.7972 纳秒 N/A 12.2872 纳秒 N/A
vector3 length x16 32.6014 纳秒 9.7692 纳秒 N/A 9.4271 纳秒 N/A
vector3 normalize x16 65.8815 纳秒 24.1661 纳秒 N/A 20.3579 纳秒 N/A
vector3 return self x16 32.0051 纳秒 42.9462 纳秒 N/A 16.7808 纳秒 N/A

运行基准测试

基准测试使用 criterion crate，该 crate 在稳定版 Rust 中运行，可以使用以下命令运行：

cargo bench

为了获得最佳结果，请在基准测试机器上关闭其他应用程序！

运行“宽”基准测试时，请确保已启用适当的 target-feature，例如 +avx2，以获得最佳结果。

在 scripts/summary.py 中有一个脚本，可以以美观的方式总结结果。它需要 Python 3 和 prettytable Python 模块，然后可以运行以生成 ASCII 输出。

默认和可选功能

除了 glam 之外，所有库都是运行基准测试的可选功能。默认功能包括 cgmath、ultraviolet 和 nalgebra。这些可以通过以下方式禁用：

cargo bench --no-default-features

要再次选择性地启用特定的默认功能，请使用

cargo bench --no-default-features --features nalgebra

请注意，您可以使用 Criterion 的过滤功能在运行时选择要运行的基准测试。例如，要仅运行标量基准测试而不运行宽基准测试，请使用

cargo bench "scalar"

您还可以更详细地选择。例如，要仅运行宽矩阵2基准测试，请使用

cargo bench --features wide "wide matrix2"

或要仅运行 glam 的标量 "vec3 length" 基准测试，请使用

cargo bench "scalar vec3 length/glam"

Crates 功能

除了直接引用每个基准测试库的功能之外，还有一些额外的功能。

  • ultraviolet_f32x4、ultraviolet_f32x8、nalgebra_f32x4、nalgebra_f32x8 - 这些各自启用从 ultraviolet 或 nalgebra 中特定宽类型的基准测试。
  • ultraviolet_wide、nalgebra_wide - 这些分别启用从 ultraviolet 或 nalgebra 中所有宽类型的基准测试。
  • wide - 启用所有“宽”类型基准测试
  • all - 启用所有受支持的库，包括宽和标量库。
  • unstable - 参见下一节

unstable 功能

不稳定的特性需要使用夜间编译器，并允许我们告诉rustc不要在热基准循环内内联某些函数。这在ray-sphere intersection基准测试中用于模拟自动向量化器无法正确向量化你的代码的情况。

运行测试

可以使用以下方式运行测试：

cargo test

发布结果

在发布基准测试结果时，记录基准测试的详细信息非常重要，包括：

  • 使用的mathbench版本
  • 所有基准测试库的版本
  • Rust版本
  • 使用的构建设置，特别是当它们与默认设置不同时
  • 使用的硬件规格
  • scripts/summary.py的输出
  • target/criterion的完整 Criterion 输出

添加新的库

为新的库添加单元测试和基准测试涉及不同的步骤。

基准测试需要一个实现mathbench::RandomVec特质的实现，用于你想要基准测试的类型。如果类型实现了randcrate的distribution::Distribution特质用于Standard，则可以直接在src/lib.rs中使用impl_random_vec!宏。否则，你可以提供一个生成新随机值的函数，将其传递给impl_random_vec!。

要将新库类型添加到基准测试中，将另一个bench_function调用添加到Criterion的BenchmarkGroup。

在Cargo.toml中增加mathbench的补丁版本号。

更新CHANGELOG.md。

构建时间

mathbench还包括一个工具，可以在tools/buildbench中比较完整构建时间。增量构建时间没有测量，因为创建一个有意义的不同数学crate的测试将是非平凡的。

buildbench工具使用cargo夜间构建的-Z计时功能，因此你需要一个夜间构建才能运行它。

buildbench在每个库中生成一个临时的Cargo.toml和空的src/lib.rs，记录一些构建时间信息，这些信息包含在下表的摘要表中。临时目录在每次运行工具时都会创建，因此这是一个从干净状态开始的完整构建。

每个库只构建一次，因此你可能需要多次运行buildbench以确保结果一致。

默认情况下，crate使用带有默认功能的release配置文件构建。还有构建dev配置文件或不带默认功能的选项，请参阅buildbench --help获取更多信息。

输出的列包括总构建时间、自构建时间（不包括依赖项构建时间的构建时间），以及单元数量（这至少是2）。

在比较构建时间时，请注意每个库都有不同的功能集，并且自然较大的库构建时间会更长。对于许多测试的crate，依赖项的构建时间比数学crate更长。还要注意，如果你已经在项目中构建了一个依赖项，你不需要支付两次构建成本（除非它是不同版本）。

crate 版本 总时间（秒） 自构建时间（秒） 单元数量
cgmath 0.17.0 6.8 3.0 17
euclid 0.22.1 3.4 1.0 4
glam 0.9.4 1.1 0.6 2
nalgebra 0.22.0 24.2 18.0 24
pathfinder_geometry 0.5.1 3.0 0.3 8
static-math 0.1.6 6.9 1.7 10
ultraviolet 0.5.1 2.5 1.3 4
vek 0.12.0 34.4 10.1 16

这些基准测试是在一个搭载16GB RAM和东芝MQ01ABD100硬盘（SATA 3Gbps 5400RPM）的英特尔i7-4710HQ CPU上在Linux系统上进行的。

许可证

根据以下任一许可证授权：

由您选择。

贡献

对本项目的任何形式（问题、拉取请求等）的贡献必须遵守Rust的行为准则。

除非您明确声明，否则任何提交以包含在作品中的贡献（根据Apache-2.0许可证定义），将根据上述许可证双授权，不附加任何额外条款或条件。

支持

如果您有兴趣贡献或有请求或建议，请在github上创建问题。

依赖关系

~8.5MB
~201K SLoC