向量化、非向量化与多线程Julia代码的性能对比

嘿，这个问题问到点子上了！处理大型数组的标量乘法，Julia里有不少优化手段，咱们结合你给出的测试代码来拆解分析，最后给出最优方案。

首先先把你的测试代码贴出来方便参考：

using BenchmarkTools
global const dim1 = 2000
global const dim2 = 2000
global const α = 0.9
global const α_array = α.*eye(dim2, dim2)

function decay1(x)
    x .*= α
end

function decay2(x)
    for j in 1:dim2
        for i in 1:dim1
            @inbounds x[i,j] *= α
        end
    end
end

function decay3(x)
    Threads.@threads for j in 1:dim2
        for i in 1:dim1
            @inbounds x[i, j] *= α
        end
    end
end

逐个分析你的实现 #

• decay1（广播原地乘法）：Julia的广播机制.=已经做了非常多的底层优化，比如自动启用SIMD指令、利用CPU缓存，而且代码简洁。对于大多数场景，这个实现已经足够高效，不需要手动写循环。
• decay2（单线程手动循环）：虽然加了@inbounds消除边界检查，但单线程的手动循环很难打过Julia内置的广播优化——毕竟广播是经过编译器深度优化的，比手写循环更能挖掘硬件潜力。
• decay3（多线程手动循环）：在多核CPU上，这个版本会比decay2快不少，因为它把列循环分给了多个线程并行处理。不过要注意，你需要先设置好Julia的线程数（比如启动Julia时加-t 4，或者在代码里用Threads.nthreads(4)）才能发挥多线程的优势。

更快的优化方案：用BLAS库 #

其实还有个更高效的选择——直接调用BLAS的scal!函数。BLAS是专门针对线性代数运算高度优化的库，用汇编实现了极致的性能，充分利用CPU的缓存和SIMD指令集，对于标量乘数组这种操作，它的表现通常会比广播还要好一点。

实现代码很简单：

using LinearAlgebra

function decay_blas(x)
    BLAS.scal!(length(x), α, x, 1)
end

基准测试参考结果 #

在一台4核CPU的机器上，基准测试的大致性能排序（从快到慢）是：
decay_blas > decay1 > decay3 > decay2

额外小提示 #

你代码里用了global const来定义常量，这很好——全局变量如果不加const会严重影响性能，不过更推荐的做法是把这些常量和函数放在一个模块里，或者作为函数参数传递，这样编译器能做更多优化。

内容的提问来源于stack exchange，提问作者Lost