C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
  F+ R8 q: S4 X& i. |! e+ k
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。
5 \6 x  l% V1 z4 v' a& o, c( p
; L+ ^% L; x8 a2 S) v; _! c速度优化问题真的很有意思啊。
+ A2 @- x7 S( \* J) ~) ~  }
2 ~. L7 R- C1 i2 b  _5 w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？
$ v3 d/ W( m1 N) X8 e
, ^# O8 j3 V7 g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

3 t/ w+ c3 O- Y

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
把代码贴上来看看？

/ Z/ a$ i2 G  |% A, D% o) Y
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
) g& d2 r: A1 U" @- \% J8 x# f{
8 I& Y0 o7 }$ h6 R6 x! _2 q- Q        comp temp, xtimesy;
9 e: A& K( f( V5 f. z0 H& u        xtimesy.re = 0;
1 Q; i- O( B" }8 y        xtimesy.im = 0;
7 y: J! e* s9 i- G6 H) f1 X        int j0 = lenB - 1;
/ O% X# ~$ L) [" b2 O, w* s        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
8 x9 K1 l) h6 P* n. G3 G  t        reali /= 2;
5 X9 Z2 i% f  C3 y
        int nconv = reali + lenB;
        //#pragma omp parallel for
0 \0 N* A; k5 j! I        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
% J/ u# y. A2 z( o3 ?+ H1 b                for (j = j0; j >= 0; j--)
                {
* E9 [3 Y" ?. B$ Y                        /* floating date operation */
+ W. m5 P: Q& Y, I                }
$ F$ g; N$ k; D7 z* s        }
}

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
4 Z! G( R9 [% j" l
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.

如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

6 C: s0 }6 G$ ~* P

雷达

风雨无阻 发表于 2022-9-24 23:33
Maybe Debug mode?

8 H# W- T% f. ^' X- p/ [1 {
) k5 c; F- h% ~, O. m  g不应该，看我上面的回复。
* k% U* [* `, ^# \1 L
我更怀疑是 VS 社区版的问题

数值分析

0 i/ O1 j. r- r$ k1 T, @. h5 Z

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
; H1 ~8 X" n* q) o- H{
        comp temp, xtimesy;

5 h7 J; e6 w& M- I" J这个不是这么比的吧。。。
4 k, ^* I3 p# n. ]
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）。

6 U7 }  n* t+ |! \2 x  g; 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

, ], m4 W# d+ C* r0 x

数值分析 发表于 2022-9-25 00:20
1 V8 {+ u/ K: J, f+ @) U, Z: }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）。

% V$ `" p! ~' x! V
有道理。
% S1 m* b7 l$ S# _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。
) c9 G/ r! Q  Q; m- \
, T/ U+ e+ U2 a$ t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
2 l/ `: R( |2 K* G有道理。
: P8 O% [, ?( G* b7 g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 ...

8 X2 i; y: M* s5 v; 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，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
Why 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。。。

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

5 D9 h  m2 n# j* p$ `4 B* F
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
; I& x. s2 H. G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 ...

7 B9 h: X2 j$ Z" ?2 a; H2 r5 @是的，兄台说的对。

8 S* e5 m2 c! t4 P0 t; \9 e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。

5 w* I7 X4 `. u7 N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。

( s& g5 e+ O/ V. U  v6 s: a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。

4 c9 \8 f6 p/ v1 |6 l  V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
3 _! M& H- _+ G, K% o& S  s! \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 ...

4 n  r7 t# T) o& h& @. f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。
  r6 v6 ]6 g" h- ]; p2 M
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
4 z) \# K/ j; |% x6 ~; m) h/ m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。

6 U1 ^8 y' Y( R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
4 s$ O8 }, `/ T$ 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 ...

# O5 W$ u1 }/ Z
/ Y( ~! Y" r  y5 V  W
3 S* Q- t% J8 C) ], Q1 r6 v; y
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

' P3 l2 x" H# N" s% a* s. q

数值分析 发表于 2022-9-25 14:58
能不能把这个也贴上来，看看和上一个有什么不同？

, y- B. r( V1 g+ [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.
) P! ]' F4 Y4 D- K+ r3 J$ Y
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

不做内循环 200s
) E. Z  ]- R1 g  s
你昨天说的对，内循环本身占比是很小的，大头在其他处理。
6 R3 m7 N' r( ~: E& ?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）

（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）
. H; G; ?' o' b, c

        std::vector < float > vec1(N);
0 e+ X; ^. z" [6 H2 S        std::vector < float > vec2(N);
- m& Z# s$ `4 m" Q        float* b1 = new float[N];
" J3 p. H! B. p2 ^        float* b2 = new float[N];

" p- @, f3 o" o/ ?1 |1 S- t        for (int j = 0; j < 6000; j++)
        {
' \- ~4 f6 F' f$ G                std::generate(vec1.begin(), vec1.end(), []() {
0 f, f' t! N  e) M8 Z( m7 x                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

2 P3 B# `1 {$ w                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
4 g  @: E$ P: y- l- e. D# @8 x                        });
5 L* I  I# c# t) L! c9 z  p
! z" A& R2 h) K3 z9 e                for (size_t jj = 0; jj < vec1.size(); jj++)
5 x& x: q" I( F- e7 N% s$ k                {
9 w5 h6 a& \9 w) v6 k/ `4 X3 z5 U, x                        b1[jj] = vec1[jj];
2 T0 L# U' o8 Z- a. V( T+ m4 [                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
8 v, L) M- K- T6 w! k5 O" P                {
                        b2[jj] = vec2[jj];
                }
/ l1 \4 O" K' @+ Q. J1 k
0 L) v. k; H- ~, ]( l                //Method - 1  N=100000 247s  
0 U8 R' j9 s' A& L) r                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
4 `. T/ G; g7 k& j: G6 ^                //Method - 2  N=100000  237s
+ U5 a' _  r( j                /*
                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
6 ?; \. ?/ X0 G4 h9 c1 S                }
                */
& X! p0 Z+ J. V9 i                                
, r2 Z5 E5 Z% T& F8 @$ G9 g                //Method - 3  N=100000 204s
4 p8 x7 h2 A7 d! }# |                /*
                for (int jj = 0; jj < N; jj++)
+ U% Y" @! y& f8 x" c9 O3 F0 q' D                {
# `7 c7 q3 x8 M, o; a0 N                        fresult += b1[jj] * b2[jj];
                }
                */
: ]# A- X, b3 J, G
9 `( V( D+ i/ V7 ^                //Method - 4   202s
+ I, y! D: _. @( }  z- u2 y                /*
5 _, E" S" w' r                for (int jj = 0; jj < N; jj++)
                {
                        
                }
                */
& a- G4 k( ?8 u                //comment out all methods, N=100000  202s               
6 U! _' j% b9 f: Y3 Y, p        }
7 \5 ]0 o  y! b# `4 j
: n2 t6 H0 _0 \3 g# ]+ m; p# O        delete []b1;
        delete []b2;

! D7 _2 r# f% G' a

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？

% v. J' N, Z/ P6 O% Z: a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？
8 Y! }; K$ ?( d' U4 F

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？
, o3 c6 M6 O( n
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
+ x3 e7 G1 {" G6 U, G/ a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
4 f  {3 ^8 F" [( h
! u9 v- E9 D$ L5 `' n  A3 ^0 {不和它 ...

# `" O' z5 v, R* ~; _+ w# Z+ m
" K# D# l- r* t( b( r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
- m  u+ U7 x% ~; |) l. Z% Pvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
; E# x8 m. d6 H" O+ }        comp temp, xtimesy;

/ s" E- w! Y- d0 ]2 H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。