C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
1 i/ m* O* W/ ]% c& N' f; l; ^7 C# b8 |
4 g6 o3 R, w; i. l; T; m5 ]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。

9 J% ?- ~# G  N1 |速度优化问题真的很有意思啊。

- \" Z2 D; x+ R7 x/ L% P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
" V7 u. p, d8 ^$ l' D) V; V7 K8 t拉下来？拉多少？
! a3 n6 o9 v4 X: f% @8 B$ x$ n把代码贴上来看看？

+ x. f7 ?* y, g$ s. s* ?8 T' V
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
$ x0 R' \. N9 ^% [0 j; }{
5 W# y. Z0 W! t4 i        comp temp, xtimesy;
        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;
: A9 z) `6 p; \" n" S+ V        reali /= 2;

# J' N8 r# t7 Y3 a! T# G; u        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
8 w3 \8 R9 z7 l1 \, N                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
. f! J& S4 E0 S" m! w, v                        /* floating date operation */
1 Z6 }' d3 t7 Q6 X/ b                }
: m0 u1 N7 `- G5 U- v, L        }
}

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
1 q9 ?* Z' _4 G0 F! r9 h4 b
4 Q4 F) Q) o% Q! d/ v5 g' \红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
# n6 {$ L  C9 C1 J现在call xcorr 100次，耗时78s.

/ w' K) m% G# b( b! n2 C2 t) E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
Maybe Debug mode?

' T! C: G( Y9 C6 |( t& J6 \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

  n4 o  C- ^5 p) T* o

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
( n; f4 l8 U2 u; \        comp temp, xtimesy;

" `% u) ^8 D6 \( o这个不是这么比的吧。。。
* L1 L. z/ F. q  K
, p. F, c' W9 ?0 K: P$ T1 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）。
. i; b& h& W2 e. p' E
3 H& G! j; ~* I, M! A7 \7 n# O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
4 v, ^- W% f1 j, J9 c这个不是这么比的吧。。。
* C2 T7 t- h+ 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）。

  \. m8 _5 O0 y* \4 n3 d9 h
! w- i% C2 ~: U% G% R9 k: V" g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。
! Y' \( ?+ t: d4 j1 v0 w; n9 Q
6 a2 L0 n/ u# n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。
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
: A- q' L! @# F% i# R- kWhy 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。。。
8 q9 Q. Q- e0 m3 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

/ H: ]- |5 K" 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

' X5 {0 D% l5 K0 E& @. i

沉宝 发表于 2022-9-25 01:48
" D6 o; `) q  a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 ...

* N1 |1 _7 g$ j2 D4 J
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。

4 @1 _. \. q9 Y- Z- k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。

, }, |4 X! \+ B' u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。
, G/ j6 o( c) T/ s
' t, y. P. a/ k6 x( y0 }9 }8 N7 D- C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
% e  L) @. r7 |% k; J  I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 ...

6 {/ c) u$ ?% O. ?' y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。
9 S0 Q  v) V9 T* {* I
& }' p" l: s$ [) U/ a1 g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。

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
$ C% v5 B5 q5 n9 R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 ...

+ Y1 \1 ~" f8 H5 u" `

, o$ s$ S, b- B* z6 p8 M4 }6 t6 b+ b
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

数值分析 发表于 2022-9-25 14:58
9 y8 W6 g5 u  C, c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.

内循环试了4种方法，
1. 直接调用 vector inner_product 247s
2 x, d, l/ P+ ?$ A" H2. vector 循环点乘累加 237s
9 l- |) T: k6 a3. float * 循环点乘累加 204s
% R# ~6 N. e7 x/ P' B6 g: Q. `4. 空循环 100000 次 202s
1 b5 P  y' W* l) o0 v) y
不做内循环 200s
- e- U! h+ S- B/ m9 o8 t
. K% n0 t' R+ W9 @- h3 G你昨天说的对，内循环本身占比是很小的，大头在其他处理。
. A+ X2 r# }9 I" V0 f另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

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）
% ]& x* G5 Q  I( s  J$ n6 \
（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）

        std::vector < float > vec1(N);
2 j3 J& @  P4 _        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];
! F! ]- s0 I5 b# w! ^! r! G
        for (int j = 0; j < 6000; j++)
- h' j0 @# v+ C3 y0 z8 F6 h        {
0 f2 M6 R0 D9 Q6 M! L# W                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
2 l3 U: V- B6 [/ ^                        });
4 [! G' Q- ~- s# X
: m7 Z- h) f3 E( p* {                std::generate(vec2.begin(), vec2.end(), []() {
0 m# m+ g6 z8 |' r, J. Q                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
1 P0 }, {9 B2 j  _) e& u
0 @4 ?9 B% Y. A, z* R+ v                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }
0 A1 v# n2 k! h( L
                for (size_t jj = 0; jj < vec2.size(); jj++)
' l0 l+ l' [1 k                {
                        b2[jj] = vec2[jj];
                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
1 r  X) U1 ~6 o: K                                
                //Method - 2  N=100000  237s
                /*
. c7 ~: S2 x8 {) J                for (int jj = 0; jj < N ; jj++)
                {
- G7 ?! v- b9 ]; ?! a% Q) Y                        fresult += vec1[jj] * vec2[jj];
                }
                */
* d9 q0 f' h4 A! V                                
                //Method - 3  N=100000 204s
* |# [9 I* G- R                /*
6 m" j: D; [0 a8 B                for (int jj = 0; jj < N; jj++)
7 ^& t6 Y" j- v8 X                {
                        fresult += b1[jj] * b2[jj];
                }
3 H- n# }  N6 e  `! t                */
7 ~9 L$ ^- D5 A' x0 r9 ?; H
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
, c6 P) S+ ]8 ~1 h' b                }
                */
                //comment out all methods, N=100000  202s               
        }
6 M' D& F5 ~7 E$ q* G( p# R7 i
% G0 V3 w- j# Y! s9 G. A0 l        delete []b1;
# c/ @6 b: Y9 ^        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？

$ E2 K$ U1 y2 @0 m) Z3 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？
/ |; k% h; e5 K) D; c. S# S+ w

雷达

机器猫 发表于 2022-9-27 00:15
) b" |! X" d! Q/ v! C+ q" P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？
5 Z0 a  X# S) l) |2 \) l
: X/ m( \# A4 A, ]; ?你第二个试验里面的j在循环里面又重新定义 ...

3 V& \$ ]; |; g9 Y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

* {9 P! g9 z7 R5 y* j$ c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

不和它 ...

3 }; r* _9 ?: `9 u, K
  f% [: q" o. f- ?8 D4 c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
( j3 m6 D) W1 B' X0 i* ?void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
* n! }" L! a: `. `8 w{
        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。