循环1亿次进行double类型的累加计算：
double run(int n, function<double(double, double) > f)
{
    double s = 0;
    for (int i = 0; i < n; ++i)
        s = f(s, i); //s +=i;
    return s;
}
1、循环中直接计算，c#和c++都耗时0.14秒左右
2、循环中调用静态函数计算，c#和c++都耗时0.14秒左右，函数调用被内联优化了，没有开销
3、循环中调用lambda或函数指针，c#和c++都耗时0.29秒左右，函数调用开销明显。

结论：
1、这个场景下C++和C# 性能基本一样，没有区别。
2、lambda和函数指针无法被内联优化，代价相对较高，不宜在小粒度+大量循环中使用。

如果2是真实的，那么标准库和boost的函数式编程中大量使用到lambda、functor和函数指针
将明显影响对规模较大的容器的计算效率，这时候直接用循环效率更高。

测试环境：msvc143， dotnet6
--
FROM 123.112.71.*

因为numba不支持对 lambda加速，所以使用lambda的版本耗时17秒。

又试了调用@jit函数的版本

@jit
def f(a,b):
    return a+b

@jit
def run2(ff):
    s=0.0
    for i in range(100000000):
        s=ff(s,i)
    return s

for i in range(100):
    t1=time()
    s=run2(f)
    t2=time()
    print(t2-t1)

竟然只要0.18秒， 比C++版本还快很多。
看来numba的jit编译对于函数指针有优化。



【 在 finlab 的大作中提到: 】
: 又试了下神奇的numba
: @jit
: def run():
: ...................
--
FROM 123.112.71.*

release, 默认是O2的

【 在 foliver 的大作中提到: 】
: 开O2，lambda肯定会被优化。
: 你确定开O2了么？
--
FROM 123.112.71.*

这是std::function吧？
std::function又不是lambda

【 在 finlab 的大作中提到: 】
: 循环1亿次进行double类型的累加计算：
: double run(int n, function<double(double, double) > f)
: {
: ...................
--
FROM 221.218.209.*

激活svml（avx2）后，只要0.006秒了。

从一开始C++的单线程0.14秒，到python numba（i5 8265u,4c8t,avx2）的0.006秒，

理论最高加速8*4=32倍，实际加速23倍。

numba太牛了，可以几乎不用做什么工作，就能同时发挥多现场和simd的威力

这样完全可以胜任cpu密集的工作了


【 在 finlab 的大作中提到: 】
: @njit(parallel=True,fastmath=True)
: def run2(ff):
:     s=0.0
: ...................
--
修改:finlab FROM 123.112.71.*
FROM 123.112.71.*