随机数a*b与a*0的执行时间差异原因探究

实验背景与现象 #

为探究乘法操作的执行时间差异，开展了一项小实验：分别多次执行「随机数a与随机数b相乘（Action1）」和「同一随机数a与0相乘（Action2）」，测量两者的总执行时间；重复该测试100次以提升结果可靠性。运行程序后发现，约75%的情况下Action1的执行速度快于Action2。

实验代码如下：

import time
import numpy as np

def compare_execution_times(a, b):
    # Measure the execution time of multiplication with non-zero b
    start_time = time.time()
    for _ in range(1000000):  # Perform multiplication a large number of times
        result = a * b
    end_time = time.time()
    first_execution_time = end_time - start_time
    
    # Measure the execution time of multiplication with zero b
    start_time = time.time()
    for _ in range(1000000):  # Perform multiplication a large number of times
        result = a * 0
    end_time = time.time()
    second_execution_time = end_time - start_time
    
    return first_execution_time < second_execution_time

count_true = 0
count_false = 0
for _ in range(100):
    a = np.random.rand()  # Generate random a
    b = np.random.rand()  # Generate random b
    if compare_execution_times(a, b):
        count_true += 1
    else:
        count_false += 1

print("\nNumber of times first execution was smaller:", count_true)
print("Number of times second execution was smaller:", count_false)

补充说明：实验存在一处失误——Action2中使用的0是int类型，为保证对比合理性，应改为float类型的0.0。

原因分析 #

• 类型转换额外开销：Action2中a是numpy生成的float类型，和int类型的0相乘时，Python需要先将int类型的0转换为float类型，才能执行同类型乘法操作。这一步额外的类型转换会增加单次乘法的执行时间，累计百万次后就会体现出明显的时间差异。
• 硬件指令适配问题：现代CPU针对同类型浮点数乘法有专门的优化指令，但当参与运算的是不同类型数据时，CPU无法直接调用最优指令，需要额外的类型转换周期，进一步拉长执行时间。
• 缓存与分支预测干扰：类型转换带来的额外操作可能会打乱CPU的分支预测逻辑，同时影响缓存命中效率，间接导致整体执行速度变慢。

内容的提问来源于stack exchange，提问作者user1198483