C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

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。
( @6 U7 N  p3 K! y2 `6 Q
速度优化问题真的很有意思啊。

' [$ `% Z* z+ N8 T: k) b欢迎大家继续讨论

数值分析

拉下来？拉多少？
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

数值分析 发表于 2022-9-24 23:04
8 c/ y" i' R6 ~+ x拉下来？拉多少？
6 M: P+ Z# ~% k3 `把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
7 Q! K' m3 l4 I! e7 O) |        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
. c( ^  p# t8 U$ X- G        reali /= 2;

* v: B* i1 D! t# C  M7 K3 \; H( J) |        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
$ h2 v: l% z' `8 t                temp.im = 0;
                i1 = i;
3 J/ d& N$ \7 Y' R4 O' k                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
  N) l* B; c  a; o  ]        }
$ H2 _: W9 ]3 y2 x. O}

( O& F! ]. n, z0 _/ u  ]: M: G# }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
; V: j7 i+ L/ P! A' B3 o
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
+ `$ I) D2 K. p! |6 P9 `# {, o现在call xcorr 100次，耗时78s.
3 h  @  l5 a  s
: g! Y. _+ A8 L; N3 q" T4 {9 j: m" [如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

雷达

风雨无阻 发表于 2022-9-24 23:33
+ X0 m0 i: ?7 e, c0 y6 |6 ?Maybe Debug mode?

. K' r$ W6 G! j9 q4 x$ O3 j" ~不应该，看我上面的回复。

我更怀疑是 VS 社区版的问题

数值分析

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
' \: J" k" j4 [" x, ]{
) G* N2 `9 G* |) C' f9 X6 n        comp temp, xtimesy;

这个不是这么比的吧。。。

9 `) U- D6 y, a1 ]$ B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）。

1 y) Y1 x6 n( F; T+ n! Z4 z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

9 b# Y& ^8 Y) j8 v8 Z( T* @' S

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
+ ~, G+ H2 E+ g
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）。

& g/ ?9 c  Z- K$ J: y, E/ \+ f
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。
6 L) k& o5 s' ^+ ~
, `+ q( l4 ^3 V" C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
+ P  T! t. s2 t9 E+ Z5 b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
* D2 n* X, N+ Q6 rWhy 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
/ n+ W1 q+ t9 x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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

! l' q' l1 V  O8 c5 X0 T
. G9 U7 ?1 P; y! |  y# ?% S8 v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 ...

# e! _! |! g' K
5 y( o/ M* i3 W! M2 B$ ]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。

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。
  Y! i6 q- U! k# r1 Y3 l: ?! H/ Q1 B
+ O( X, s' W- d# D9 B) f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。
$ U( E+ q6 i! w* Z7 b' o; a
+ B) `; _$ \" a: R) ~; L: t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

9 A- r0 T& S- k* e. Q

沉宝 发表于 2022-9-25 01:27
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 ...

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。

/ c- N% T* @! N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 ...

) q6 C2 r4 R, K8 A7 g时间差一倍的结果可以接受。

& M( F" t: C' @/ ~& ]你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

1 s" X: Q. Q! z( U% Q% }+ J3 P

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 ...

% N) A& q; [: T; L3 ~

8 i' G; e& ?8 R/ k能不能把这个也贴上来，看看和上一个有什么不同？

雷达

8 |: B) p" X; g5 S, z7 O# a

数值分析 发表于 2022-9-25 14:58
' C  F0 H7 a. ?2 |# s4 n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。
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.
* e4 ]- L9 U; s- g  [
3 V: C' g( j. ^2 N; ]7 o' {内循环试了4种方法，
, a0 g( F6 Q0 Z, ~1. 直接调用 vector inner_product 247s
7 C  {1 B' w, D& k2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
7 V  j- t1 q9 x5 d3 C4 V6 L4. 空循环 100000 次 202s
% x+ o4 l. \! B* |! x  J
; l: a) U0 f. x7 z; E; Z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。
0 f9 Z% u- J& Q+ N" Y$ p
& n2 E3 W4 c( h% {9 v+ 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）
: i  q2 f' k5 X+ n1 ]8 ^
: m2 i0 T* q' b! q( {' T+ M（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）
4 A& e6 V6 J6 V! {

        std::vector < float > vec1(N);
- t# j, M7 }5 Y7 F        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
2 [/ k( z6 p7 G" v        {
                std::generate(vec1.begin(), vec1.end(), []() {
7 Z& Y9 @  Y0 s! c- r& e, Y0 [                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
! d8 p0 e" a7 T( t                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
! f" u2 O! L8 G                        });
: N* {3 j1 b# q- s8 e
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
0 o3 K  N: k6 H2 I' M% ?. D" b% J+ a                        b1[jj] = vec1[jj];
+ R$ ?6 s; \) C/ ^- ?, l) e                }

6 L, }( J2 M& R7 G- P                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
0 ]& b. F$ \$ m                        b2[jj] = vec2[jj];
" l! ~# X' R8 l8 N( L$ b5 e1 H0 r+ o                }
% Y( l# c/ i% _: Z! J' E$ n
$ X7 h; y4 g" w1 j9 ?6 d                //Method - 1  N=100000 247s  
# n  e' g9 B% g                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
$ n( ~' J1 D' Q; g/ q                                
                //Method - 2  N=100000  237s
- i& v) x( C' y" S1 L' T& M0 H8 F                /*
                for (int jj = 0; jj < N ; jj++)
                {
+ l4 O  Y3 {$ D' s2 o0 i5 }                        fresult += vec1[jj] * vec2[jj];
                }
                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
1 t: ]! B8 e4 j. L% O, E                {
                        fresult += b1[jj] * b2[jj];
+ d* Y9 E1 N0 _3 B                }
                */

2 ^2 b" p: R- ?2 D                //Method - 4   202s
                /*
7 ^( j: _# l& l- P) D+ r7 s                for (int jj = 0; jj < N; jj++)
# \* i2 h# a' I7 y5 B                {
8 D8 {$ q* W2 L  E                        
# j) X. K* g/ E$ Z8 p                }
                */
7 d) ~: v: B% N$ U                //comment out all methods, N=100000  202s               
$ h3 Y- q/ l  T* U        }

        delete []b1;
! ?' L. T  D- Z- X7 W        delete []b2;

4 R' z! G# J4 v8 L, w* D6 S

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？
6 j% ?+ h% L4 x; B! F7 K; w" }
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？

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
) e3 a/ d2 O7 n* _
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
5 e# t& q! F" G! j8 Y) I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

: n3 i# s( K/ j- Q3 X0 }5 \不和它 ...

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。
6 s$ g6 D) B2 K- M; K# m, _" |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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ ?) M% V+ C" w3 b- R. `{
        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。
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？
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。