当编译时已知形状（大小）时，Rust 编译器能否更好地优化 Array2？

Question

我在 Rust 中使用

Array2

或

Array1

作为神经网络中的矩阵。 （是的，我知道有神经网络的库。我想用自己的学习代码来实现。这个问题独立于神经网络，但神经网络是一个合适的例子，因为在很多情况下，矩阵大小在编译时已知。）

当编译器在编译时知道

Array2

矩阵或

Array1

向量的大小时，它可以进行更好的优化吗？如何确保它认识他们？

这是我的神经网络层的代码，其中标记了一些行，我认为也许我们可以向编译器提供额外的信息。或者结构中甚至不需要它？

extern crate ndarray;
use ndarray::prelude::*;
use ndarray_rand::RandomExt;
use rand::distributions::Uniform;

struct LayerWithBias<const input_size: usize, const output_size: usize> {
    /// weights
    w: Array2<f32>, // do something with input_size and output_size here?

    /// biases
    b: Array1<f32>, // and do something with just output_size here?
}

impl<const input_size: usize, const output_size: usize>
LayerWithBias<input_size, output_size> {
    fn new() -> Self {
        let w = Array2::random((output_size, input_size), Uniform::new(-1.0, 1.0));
        let b = Array1::zeros(output_size);

        LayerWithBias { w, b }
    }
}

Answer 1

不，您无法通过告诉编译器您的

ndarray

集合最终将保存的项目数量来启用任何特定的优化。

编译器“可能”利用此类信息的唯一方法是使用固定大小的数组，而 ndarray 的

Array1

和

Array2

则不然。即便如此，它可以进行的优化也适用于小型阵列，例如确保它们有效地填充缓存线。但是，如果您有足够多的数据值得使用

ndarray

，那么这不会产生任何影响；您的数据是连续的，并将以最佳方式填充

许多

缓存行。