C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
$ S+ u8 J! m8 p2 E
3 u$ A# m/ P. d# Q9 e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。
( e$ E3 Z9 p% I5 T0 P' ^+ n
( g; \; _4 M, M5 f+ |" d速度优化问题真的很有意思啊。

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？
6 E4 H; D5 U- N$ K# i2 _
" W' V6 K6 S0 f  B$ R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
+ ]- A; h- Q7 y/ \" f拉下来？拉多少？
) ]' p% H, o1 B把代码贴上来看看？

( ]9 J! g3 D) U$ c8 P+ U0 Z5 Hvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
9 |/ f5 O$ ^, f& f# D( L8 i        xtimesy.re = 0;
        xtimesy.im = 0;
/ C; t( q; n7 D9 x" T1 Z0 G5 @        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
; q. |3 b7 P1 ~. n7 D* S) n+ g                reali = lenA + 1;
        else
% m: S, ~) X4 \. B: Z                reali = lenA;
        reali /= 2;
! A' j) N8 B$ b" f) k8 I9 U, ?6 {# A- o
+ H2 e  m' w4 C: k' w        int nconv = reali + lenB;
4 s( D& X% n5 C& ^$ K        //#pragma omp parallel for
  S5 h( ?) o- V% m8 \7 j  i        for (i = reali; i < nconv; i++)
! D) ^9 U9 X' f" N% z% i) e        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
& S! i: D* c) F' Z                {
# G* f! F, A( u7 w% ~. u$ E                        /* floating date operation */
5 g2 g4 q0 M1 c" s7 O                }
        }
}
% n3 M' X* T; a1 Q
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
. a" [' P4 q1 y/ {
6 i. R3 n6 {' ^- Z0 e% X( Z红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
+ O3 I4 }( c3 b! X& a% i0 e现在call xcorr 100次，耗时78s.
* z/ v0 d7 Y4 w: w6 M5 b& \4 p
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

2 M/ S$ y1 u' l% Y  h1 l

雷达

风雨无阻 发表于 2022-9-24 23:33
8 _* G; n. o! G! VMaybe Debug mode?

7 V) p& @% P5 q3 s5 v0 @) H不应该，看我上面的回复。

! K" u  h1 p; W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
; M& P3 L/ F4 S$ [0 k6 j" }void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
) H; R- y8 N" v6 e{
* a6 T& k: K; k7 N        comp temp, xtimesy;

: x% V4 t' Y- b" H/ i: A. R- I
" Y8 E# i" ^, [; L; o3 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）。

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

! d7 V: ^6 ^9 B; \- m, {

数值分析 发表于 2022-9-25 00:20
4 X9 [% R. D0 T这个不是这么比的吧。。。
" q3 ~$ x% ]# C( R
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）。

4 r" L( a% }* _% y- ]  c/ E
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。

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
6 z9 d/ N, o0 F1 k2 X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 ...

) `3 y: o) b3 X% _: G0 [1 ?" m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
) j' ?+ |8 O! @4 Z8 |7 g# `8 `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

: M" N' H" g1 J8 q, R
: {; ]) {4 d( Q6 g, 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）。如果循环这样跑，花不了多少时间。

数值分析

. K; N5 K. d% w6 I0 j) d7 X3 h

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 ...

; z, F$ z& I+ n; _
* w* ^- _! u! \2 T5 ~0 N3 e是的，兄台说的对。
( v* k( A" X5 J; \1 n" D5 K
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。
" y, q* m5 e2 W( \0 t2 U5 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。

6 D& c/ B$ G) p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。
3 J& ?" I+ c: h8 T: S6 C( m
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
0 A( m" M9 p. p* G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 ...

9 g$ K# `, r$ C
4 `+ G9 x5 p1 V/ }* @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。

) p. v) G2 f/ u% j我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
9 I% s; V# r, F* y3 M% c* h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。
& l9 D5 u. s5 y! V
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 @! s9 n; U; B- L3 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 ...

: ~6 j* F# t  k5 g2 F
8 x1 m3 ~6 }2 @& [
, R: T# Y5 o. V2 o8 y9 ]/ _3 ~' M1 A
- i! t. {( [: J0 A$ t0 @9 U能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* A. J4 L  q6 O/ W. |. S4 h& [

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？

理了理思路，重新做了一个测试。
! Q! B3 x. f% ~  S4 d2 y5 R做了两个 vector 和 两个 float *, 都长 100000
/ a( K6 p3 T& j. Y! T: g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. vector 循环点乘累加 237s
6 Q' n+ V: I6 T* B/ z4 e" T+ O3. float * 循环点乘累加 204s
. x; h' B' E  ~" Y6 [! c2 I4. 空循环 100000 次 202s

+ g& F, m5 h# A, [2 Y* 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。

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）

# L& q8 T/ W- U* J# s8 B（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）
2 J( w$ w7 r) f$ ^5 q7 r; ~" y

        std::vector < float > vec1(N);
& }# b' C3 g* P- `* ]        std::vector < float > vec2(N);
        float* b1 = new float[N];
4 D8 ]  ^+ ~: b; p1 c        float* b2 = new float[N];
4 F0 z2 i! ?$ Y( I9 p: p: T
        for (int j = 0; j < 6000; j++)
        {
' z" I: z$ V+ b+ D4 t1 t                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
/ v0 @  L9 r- ~0 H" m( |+ _                        });
. N+ C: c* h7 T4 T! R
$ R( h" ~) G# _# y( v' k                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
, x. O- M/ s/ w9 A+ X7 j                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
1 L6 ~% t7 ]  j; t- m3 \0 M4 q' k1 F                        b1[jj] = vec1[jj];
0 f0 z  ]# }: e" m0 Z1 _+ i                }
! R8 g- y* f* k- E& h
2 v2 v# u, c- X                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
# B$ @; z2 K# j' D: x+ a2 V                        b2[jj] = vec2[jj];
                }
7 R. a4 m( b+ g2 {/ Y
+ k2 v& `) m) j. q7 |                //Method - 1  N=100000 247s  
+ I! I( F' G& s3 j8 A, C                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
2 ?: O% L! `0 T                                
                //Method - 2  N=100000  237s
' T9 _+ E; T9 W" U# {" Q6 u5 U% u. z                /*
! n, Z0 l3 h4 e6 q; P5 h4 d( v- _- ?                for (int jj = 0; jj < N ; jj++)
3 p$ }% `1 e) L% v4 w# O! K                {
- W7 m) P- l7 I                        fresult += vec1[jj] * vec2[jj];
                }
/ H6 h0 }7 @7 J. u" V                */
& b" m, s2 ]% z2 ^                                
                //Method - 3  N=100000 204s
                /*
1 M5 M% S8 A1 B- n" Q' W" G* N                for (int jj = 0; jj < N; jj++)
                {
4 Y* g+ x3 J' y6 Y" d, D3 X                        fresult += b1[jj] * b2[jj];
                }
& T$ y, v$ w) r: c' C                */
) b! F0 t8 K; L4 h( K
                //Method - 4   202s
. M8 s+ x- {+ G9 v* `                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
                }
$ g0 ]1 b9 \+ h% I0 W( _1 z                */
3 F5 f# ?- h: {! o" A8 Z                //comment out all methods, N=100000  202s               
; G+ A9 E9 R2 u1 W        }
+ [- V- C+ ]& G5 f  c1 F
( `' B; o7 d  K6 I, a% C% ]0 N! ^9 A        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？

6 F7 y. G: b% d% Q! E% K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 ...

& F: J, j4 `. N4 E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
% |7 j; b3 C2 Q0 v( z9 d
不和它 ...

1 B% t7 V1 e: I3 P- B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。
$ z# ?1 R( m5 q) l( j* Q; y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)
{
        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。
  i& K+ H) n! n9 P) n. T, h' N. \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？
2 b% @, r1 A1 D) i7 }) C* H, QVS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。