C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
5 x) H! ?: Y; v+ [4 A
自相关两层循环，内层循环涉及浮点数计算，试验了一下把内层循环内部全都 comment out 只留个壳子,  但空的内层循环本身就把速度拉下来了，看来问题并不在浮点计算。
% W# w* h$ A& m' Q4 v' H: O  g
速度优化问题真的很有意思啊。
, ]) K# c' L6 U
欢迎大家继续讨论

数值分析

拉下来？拉多少？
5 K- r' z3 _: s+ v把代码贴上来看看？

难道分支预测不准破坏流水线执行？不该啊。

沉宝

会不会代码本身的缺陷阻止了自动优化？另外，硬件配置和开发环境可能也有关系。

风雨无阻

Maybe Debug mode?

雷达

, m4 r7 h1 j  \7 B3 q; ~

数值分析 发表于 2022-9-24 23:04
3 U/ {, @" t; f; A* {/ R拉下来？拉多少？
把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
3 Q8 S8 a7 _, v5 b, b9 a9 v: O; Q        xtimesy.re = 0;
        xtimesy.im = 0;
8 O, x! |, _1 u8 O( |        int j0 = lenB - 1;
        int    i, j, i1, reali;
  T" c/ O; ^4 E4 ^        if (lenA % 2 == 1)
' r  [3 V6 ~' `) a1 q, d& {* S                reali = lenA + 1;
        else
/ c! c- f3 w0 ]0 c: C% b" S                reali = lenA;
        reali /= 2;

9 }5 d- F5 w' @# p4 K% N0 B        int nconv = reali + lenB;
        //#pragma omp parallel for
, H- X8 _8 s5 `- ]0 S5 U. P- X        for (i = reali; i < nconv; i++)
1 R% P6 r  z3 Y2 `4 I. H        {
! N2 H0 d$ R: L' w, o6 `                temp.re = 0;
: q4 \* F& o0 f: F$ K                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
$ G5 }3 D- p* u: u+ H3 B% z2 }0 M                        /* floating date operation */
                }
0 N! q- g, A: Z$ T+ r8 v* r. T        }
}
& o) Y% M3 U* E8 ~7 z
xcorr函数代码如上，comp是复数struct, 做过长度为11、19两个矢量的测试，和octave结果完全一样

红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
" Z- O. p" E: ~5 N' K5 ]" Y" Y现在call xcorr 100次，耗时78s.

) v. B& ^6 [  D如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
& ^$ u( h4 F# O) W
8 `  h, E, ~2 R4 G- `+ O, r

雷达

风雨无阻 发表于 2022-9-24 23:33
" O+ Z0 r. N" pMaybe Debug mode?

0 C. ]5 y# ~) U+ Z
不应该，看我上面的回复。
7 s) Z4 J: P$ P, h/ \; D1 E
) b7 b8 Y4 ^2 y- R我更怀疑是 VS 社区版的问题

数值分析

$ e0 _2 c" n8 Y, }4 L3 g1 I  K6 P

雷达 发表于 2022-9-24 23:54
9 A$ P# @; ?4 V+ @4 M7 G7 A+ f' Fvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
" I3 w  ~' Q0 F% J0 Y{
        comp temp, xtimesy;

5 ~  o% b6 f. F- R- P9 K. [
这个不是这么比的吧。。。
# D( f: K1 y! O# |, X# {. D
您这个函数，不带内循环的话，汇编完总共操作也没几个（不到100个）。

: j% R! p* p( ^3 P, k: |而加上内循环，光jmp和dec指令就至少多执行了6000个，慢个几十倍不是正常的么？

雷达

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。

您这个函数，不带内循环的话，汇编完总共操作也没几个（不到100个）。

) u: t4 [4 w8 N6 c- P9 H- J" t/ t有道理。
所以存在内循环速度就上不去，把内循环取消，改成两个向量直接点乘再求和应该就会好得多，记得 numeric 库里有算向量内积的，我回头试试。
1 q  x+ v* J% n/ R1 ]
我先尝试尽量用标准库，一个小程序，不想搞得太复杂。多谢了

沉宝

雷达 发表于 2022-9-25 00:46
* I" N1 s2 I) ~有道理。
所以存在内循环速度就上不去，把内循环取消，改成两个向量直接点乘再求和应该就会好得多，这大 ...

你两个试验之间就差了一个空循环， call 1000次按理不会有秒级差异，可能还是编译器优化的问题。举个例子，把循环本身翻译成机器指令loop或dec/jnz，两者速度上会差很多
' ]3 g/ U9 W5 ^9 N; ?& d6 AWhy is the loop instruction slow? Couldn't Intel have implemented it efficiently?

沉宝

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。

4 S& B/ z% s) e; D/ i0 w您这个函数，不带内循环的话，汇编完总共操作也没几个（不到100个）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

3 [6 D* Q3 Q# c0 R现在的CPU，可以把判断、jmp和dec指令全部融合进一个µOp（微操作，CPU内部流水线上的执行单位）。如果循环这样跑，花不了多少时间。

数值分析

沉宝 发表于 2022-9-25 01:48
现在的CPU，可以把判断、jmp和dec指令全部融合进一个µOp（微操作，CPU内部流水线上的执行单位）。如果 ...

是的，兄台说的对。

其实我想说的是 真正数值计算部分和代码中其他不直接计算的overhead的比值这个事儿。
2 g' d0 p5 Q$ t  F3 F: }: x/ ^
' f$ ?' K) u. ^+ }; I( g雷达兄构造测试用例的时候，屏蔽掉了所有计算的部分，使得剩下的都是overhead，这样run time比较的结果就显得好像不合理了。如果把计算加回去，计算部分的run time会dominate，结果就不那么离谱了。因为不好说，所以用指令数对比的方式试图直观地说明这一点。

比如说，如果有计算，那么跑六千个循环相对于计算应该用不了多少时间。但是如果一边是什么都不做，另一边是六千个循环，那六千个循环比什么都不做慢几十倍了，就不是那么不合理了。
- x. k% b( ?+ l2 ?6 o
, H# U. Y+ i6 G9 m) L1 H2 O- x当然也有可能像兄台说的，是优化参数的问题，但我觉得更多地是测试用例设计的不合理。

雷达

6 v9 v% u- v5 d  }4 G

沉宝 发表于 2022-9-25 01:27
6 @- X" K% K' {1 L5 Q+ @你两个试验之间就差了一个空循环， call 1000次按理不会有秒级差异，可能还是编译器优化的问题。举个例子 ...

1 x/ R4 X0 \1 B- q3 x; }
5 ]1 V5 `. l% ?3 u又写了个小实验，没有调用子函数，双层循环，外层6千次，内循环30万次空转，有或没有空转内循环，时间差一倍，我上面这个差的太多了。

我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
又写了个小实验，没有调用子函数，双层循环，外层6千次，内循环30万次空转，有或没有空转内循环，时间差 ...

时间差一倍的结果可以接受。
7 N/ C6 H9 z6 s# R* w! }) A
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

雷达 发表于 2022-9-25 04:47
又写了个小实验，没有调用子函数，双层循环，外层6千次，内循环30万次空转，有或没有空转内循环，时间差 ...

9 ]% A% u4 r- R! @, R! A- w( l; B. }


能不能把这个也贴上来，看看和上一个有什么不同？

雷达

' Q, v0 t+ Z# q0 M- D

数值分析 发表于 2022-9-25 14:58
! D/ u2 J" q+ x能不能把这个也贴上来，看看和上一个有什么不同？

理了理思路，重新做了一个测试。
! Y5 Y, T% T6 z做了两个 vector 和 两个 float *, 都长 100000
外循环 6000，里面先做随机数生成，模拟真实环境，避免数据的 cache.

内循环试了4种方法，
# p: a! c' \2 ^/ p! n- `1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
* A' C5 Z5 x0 r3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
) k4 M; [! N7 p, ~' I* k. h3 T
% Y3 d1 V% F& w不做内循环 200s

你昨天说的对，内循环本身占比是很小的，大头在其他处理。
另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
2 Y0 C9 c. E) s) \
- D2 M3 S0 Q8 I& C# P至于我那个原始程序，还有一些疑问，见5楼，其他都不变仅仅是有无空的内循环就有很大不同，这是不对的，也许有一些其他缺陷我没有看到。（也许可以改成 while 试试）
/ y+ ~7 O$ R! z, a
（为什么下面我贴的  b1 加 方括号里的 i , 显示出来却是 b1 ？方括号 i 消失了。 LOL . 改成  jj 好了，原来 方括号里的 i 是斜体标志  LOL）
7 a% Y0 P1 z# C3 W- l% Z

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
& d# _* X1 X0 b) l        float* b2 = new float[N];
9 q! v0 u; F+ Q$ O4 Q4 B+ ]9 `, Y
        for (int j = 0; j < 6000; j++)
) [% {! }4 x6 x+ p        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
0 {6 `0 g: T5 u5 F: h) ~5 S                        });
8 j/ c1 I2 ^: d# y% Z3 B4 M
- p  K# M+ O& |& T4 w. ~                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
' D: b5 R1 A6 l8 a- \# f4 T                        b1[jj] = vec1[jj];
                }
- @# g# b: _5 m6 t5 L
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
" U. u8 C7 V& P* M: @6 M8 K1 ~                }
" W4 M1 ], f& }  o
                //Method - 1  N=100000 247s  
6 h% q3 I, ?5 F% S7 a                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
  M' {+ J6 G7 b; r9 T                                
                //Method - 2  N=100000  237s
                /*
9 @$ ]6 r5 d! X& Y2 \                for (int jj = 0; jj < N ; jj++)
8 @2 p4 r3 w; {+ ^" R7 R; J2 b8 l) x                {
                        fresult += vec1[jj] * vec2[jj];
                }
. _/ d/ _: A0 o* ]$ b                */
/ u! d! Y& G/ e7 c1 y                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
5 {' l5 b) d! S: I! P& u                {
                        fresult += b1[jj] * b2[jj];
  f! f5 `1 }/ n( }( Q                }
                */
/ }- {2 K# }, G) Z% x* ]
                //Method - 4   202s
                /*
$ ?$ l2 Q4 w/ z. v                for (int jj = 0; jj < N; jj++)
                {
7 L7 N! ]+ ~$ q9 J' Z- `3 I7 K6 H                        
6 W; x: z) M$ H6 H0 q: s+ }; D                }
                */
                //comment out all methods, N=100000  202s               
        }
! r/ ^/ a! f$ i) Y! s
$ ^# c" J2 ]9 }        delete []b1;
5 q8 l: j3 X4 {8 t( F        delete []b2;

机器猫

瞎猜一下啊。把第一个的那个j定义成register变量会不会有不同？
. \. n' v3 h* o+ v9 Z) r$ ]* E
) w! Y1 J7 |2 J6 V- _% R你第二个试验里面的j在循环里面又重新定义了啊，你确定真的跑了6000次？

雷达

机器猫 发表于 2022-9-27 00:15
瞎猜一下啊。把第一个的那个j定义成register变量会不会有不同？
! }# C- C( r' m& c) R
2 U8 T  D9 b* y" j你第二个试验里面的j在循环里面又重新定义 ...

内循环里面的 j 实际是 i, 为了规避爱坛显示的冲突帖子里临时改成了j, 现在是 jj 了。好累 、LOL
3 n7 {$ c+ s2 \
不和它较劲了，瞎耽误工夫，我已经转到 ubuntu, 也准备顺便试试 avx2 向量化。

机器猫

雷达 发表于 2022-9-27 01:16
内循环里面的 j 实际是 i, 为了规避爱坛显示的冲突帖子里临时改成了j, 现在是 jj 了。好累 、LOL
/ F/ ^; m' s; p' f( W( ^% N$ f* x
不和它 ...

& h) t- g- V$ J/ _" M/ U$ V
不过可以试试我说的register变量。前一个试验j是混在一堆其它变量里一起定义的，很有可能是在stack上，这样内存读写会更多，要是再碰上每次都需要加载cache就更慢了。
后面一个是在循环那里定义的，说不定编译器就把它优化成register变量了

opensrc

一个无关问题，为什么爱坛的帖子里在我这里有好些奇怪的东东在里面，是防拷贝措施吗？

雷声

雷达 发表于 2022-9-24 23:54
( C# `; Z$ E: \void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
6 j8 j- m3 {$ }+ m{
        comp temp, xtimesy;

这个code里面如果Openmp没有被注释掉的话，那么temp那个变量应该是定义在循环里面，否则线程之间会存在争夺写入那个temp的风险。
! ^' B) u7 I8 t& _" X, c( D( ~内层for循环如果没有内部操作的话，编译时应该被优化掉了，和你完全注册掉整个循环是一回事。可能你的编译设置没有打开优化？
; I  M. e# S/ n2 ]; H6 ^VS社区版没有问题，我工作用的就是社区版，设置正常的话不会比商业版差。以前游说头头用Intel Compiler，他说不想花钱，而且差不了多少，就一直用到现在。