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。
# T3 a7 t" L- }0 W" k0 K
速度优化问题真的很有意思啊。

: w" `" \0 y5 P+ J% r3 \- G7 Q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
) {$ ~  U$ x- H  Q! \拉下来？拉多少？
: Q& G" E9 }1 I  p2 D: d把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
' U+ W# _- L* e6 N8 X* P{
        comp temp, xtimesy;
        xtimesy.re = 0;
2 W5 w) r1 X3 E- r        xtimesy.im = 0;
) V* q' Z3 j9 L- `/ C( G7 O7 k        int j0 = lenB - 1;
        int    i, j, i1, reali;
9 f) l: A; l0 L% L5 h        if (lenA % 2 == 1)
$ x8 J) k, j9 z! G" n' V! Y                reali = lenA + 1;
        else
                reali = lenA;
8 ^6 k* C- u+ Y! }: W        reali /= 2;

        int nconv = reali + lenB;
/ j6 t4 q, z! Q4 n, _$ @9 R7 u, R        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
. l% G' j* L4 {9 P% ]                temp.re = 0;
                temp.im = 0;
6 u) r" N% X  ?; _: Y7 J* ?. N; S                i1 = i;
                for (j = j0; j >= 0; j--)
- {# x# I2 C+ B% L3 B6 v                {
                        /* floating date operation */
                }
& ^! K" F+ P- `6 A8 e. [        }
1 [$ K" _* m9 P4 ]}
, {) i# `  n* _: J/ h; D; c% ^
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

* @3 X2 }1 J4 ^红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
现在call xcorr 100次，耗时78s.
7 f5 E( y- C& t
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

7 G/ q( f" U( _( g: Q0 {( ?

雷达

风雨无阻 发表于 2022-9-24 23:33
+ V2 ~1 D$ y+ W7 O/ xMaybe Debug mode?

不应该，看我上面的回复。
, v5 U, `' @6 T: }- k
我更怀疑是 VS 社区版的问题

数值分析

& L% }4 ?  A0 W# J' r3 O" R6 i

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
3 I' ~# i; |) O3 }{
        comp temp, xtimesy;

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，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。。。

2 j3 A3 t/ x/ J5 h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: E4 N: e$ u( W* L3 \! W  Y
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。

7 R5 A8 X  o% h- v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
有道理。
8 U1 \2 ?( n) C) D7 P6 D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 ...

/ S* R4 f: }! ?0 K) [, Z( {: G5 J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
1 p* v1 S; P1 q8 vWhy 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
4 i9 X0 n# a: x这个不是这么比的吧。。。

1 ?7 s3 y1 E( S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

8 {* e2 W+ J) d$ ]  p$ }+ h
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

/ r& H6 O' g! }7 S- P( _% u

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 ...

9 W5 T; ^3 j, T2 R- s% U
是的，兄台说的对。
* N3 _/ k& m$ c+ B
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。
/ {$ F& p+ w9 S6 c7 f* t+ |
3 `) o, i' J- S6 s- p; n, f) B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% a% L8 k" ], G5 d% P1 a
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

沉宝 发表于 2022-9-25 01:27
8 }9 F: |2 R6 \7 b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。

- K5 E1 O7 F! g. Q! t$ ^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。
: Q- u! P# o. r! K( f3 ~# L
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 ...

' T$ x6 `. A% S, l7 @

/ Z3 H8 l7 J: P5 Q! e, `6 N8 o
6 ?  I# `- c7 K) J能不能把这个也贴上来，看看和上一个有什么不同？

雷达

! T4 B+ S& n) T5 n/ X  [! Z5 q

数值分析 发表于 2022-9-25 14:58
) n% v2 [; h& j6 h$ W( e能不能把这个也贴上来，看看和上一个有什么不同？

" A1 Y; O( \/ {: k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
. ]) {9 y4 _8 @8 f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.
! y3 q& Q9 U- a2 y" v! y
内循环试了4种方法，
3 V( d$ P& h3 r) }- K: t1. 直接调用 vector inner_product 247s
% e9 \: Z! R2 ]* J  b+ r1 |0 B2. vector 循环点乘累加 237s
1 E/ d5 S3 F, _# o3 Y, a3. float * 循环点乘累加 204s
6 d- T$ k- `# X7 D, u" l4. 空循环 100000 次 202s
& @% h- H' ~% K
不做内循环 200s
2 U* i& K1 A  L; A( L0 L! ^
! W5 {; R/ Z' h; U你昨天说的对，内循环本身占比是很小的，大头在其他处理。
5 p4 p. o7 T/ _" q另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

$ e+ x' m; }; i! M, Q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）

（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）

( Y1 j2 B9 }% D9 y9 T

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
0 t  a% f( u3 I2 X7 d$ x7 S        float* b2 = new float[N];
; o6 c- f0 E1 q. @
        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
" W1 [7 i( Q/ v5 \* H2 Y                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
' R/ K) Z) E- p5 A; `
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
( ]; K! s- o) L1 Z  v8 ^                        });
' S/ y) |- [+ u! o2 B$ `
  c" R; e. y0 q% N+ A. y                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
- ~; g# k' ~: L) |2 z                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
: Y5 t. G9 Z% X% v5 w9 k                        b2[jj] = vec2[jj];
* o7 G! t( O  r* h                }
/ O8 z) G6 v, O
% o% W) K* [' v0 _, N: J                //Method - 1  N=100000 247s  
( I) }" f3 R( @1 A2 i3 g                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
7 a$ @: q6 ^6 J  x, p4 b                                
                //Method - 2  N=100000  237s
                /*
% l- i! z2 m. W% g- V, C                for (int jj = 0; jj < N ; jj++)
" z* _  u! j  ]$ {% V                {
                        fresult += vec1[jj] * vec2[jj];
. f4 v& l3 R/ _                }
                */
0 k: R# l: Y! m: q1 s                                
                //Method - 3  N=100000 204s
, r3 h5 m3 J2 U6 B4 N9 C+ X                /*
2 _7 j7 R$ e2 V: j9 g: Z4 F                for (int jj = 0; jj < N; jj++)
' v& }" d/ S. f! c8 L" ~                {
                        fresult += b1[jj] * b2[jj];
$ s6 @; d% ?! A7 t: A: u                }
/ u) ?& m+ o% `. L                */
0 z. Z$ I9 K; L6 A' Z7 X/ F
: b5 l0 F) y( b                //Method - 4   202s
                /*
; ^' v* _3 ^* X5 J" {( n% N                for (int jj = 0; jj < N; jj++)
                {
0 H5 i# G5 Z4 ^# a$ q/ Q                        
                }
                */
                //comment out all methods, N=100000  202s               
        }

( T: Q; W: t" o' J5 {        delete []b1;
        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？

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
+ O- x3 [6 N2 [0 a$ K" X+ k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？

% k# H. c$ {- b6 y- Q. I  f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

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
2 E" ]+ d! \8 Q" D% d8 ]) G% G; v
不和它 ...

' [- Z" e: v$ e$ x" R8 b0 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。
* n9 J" ]! a: v& g2 D" |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
" h; S1 L9 x5 x& l1 C; Avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        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。