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。
. B+ h' m4 m5 T, h' p! W
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？
+ u" Q$ S/ ?8 u# ^! ]" l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
, f# `- \8 z3 z拉下来？拉多少？
把代码贴上来看看？

* F# N+ g. v- ?. Q6 C% C  `! m9 Z
' |) [0 r# E! d6 B  s( Ovoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
6 z( ^* O. Z. |* r        xtimesy.re = 0;
0 a4 O4 _! I8 W! l' A        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
0 i6 c3 a. N8 O; J6 c% M* F        if (lenA % 2 == 1)
                reali = lenA + 1;
8 w6 c+ N7 k( j; d7 m        else
                reali = lenA;
        reali /= 2;
. ^7 Q2 f. F0 m1 e) w5 P* a
# N; h8 b1 W3 {, k0 F0 e* x% d" X        int nconv = reali + lenB;
        //#pragma omp parallel for
$ e2 P0 j5 M4 C1 {0 b* Z        for (i = reali; i < nconv; i++)
7 b1 O5 S/ t. F, D/ k        {
+ T$ w: e! T: o' K                temp.re = 0;
: v3 ^* V4 e/ @$ c                temp.im = 0;
- F  l  W/ o2 b% }2 l5 U0 \4 B7 X                i1 = i;
2 B+ ?. d: z- J$ Y% m" \4 q/ A                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
        }
}

. P) `- ?! m* c6 Jxcorr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
2 {4 W: ]4 ~" y4 \: b) Q
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
1 \8 ]9 q- A4 X2 S5 u- L现在call xcorr 100次，耗时78s.

/ n# X- T, I/ L% m$ W如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
, P4 P9 j2 d" U5 |7 k8 n

雷达

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

% M; j+ X5 u9 \$ l- o
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
1 r0 S5 A9 f6 l0 kvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

# q/ _6 H9 ~8 K
# H8 F: i- G; }! g! j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）。

) x( W( _% K" P7 F+ w3 J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。。。

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）。

有道理。
8 Y, Z' Y- R7 `2 I$ U; x& U# {2 ~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。

* j' \9 J& u/ m. G5 p, ?9 R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
! i( h1 ?! W9 m7 v# p- y  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，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
$ Y' ]. H7 j; b  y1 }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
$ x  \8 Y  m& Q9 e2 u5 t+ g0 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

. Q3 c; D8 G* |1 ?
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

$ I" p0 i0 Z' P6 o' o

沉宝 发表于 2022-9-25 01:48
: G6 I1 E. T5 d$ T1 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 ...

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。
$ D6 Z7 F( l% s( ]
$ U) M6 ~: l* ]7 ~* g$ f6 f: e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 q7 {3 C' v& h3 _' |$ 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

3 `4 P" N% V, O

沉宝 发表于 2022-9-25 01:27
5 z5 \. J/ c5 w0 @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 ...

- o4 Q; W. z) o0 G9 ?$ H
0 c: P% {; h; D& q: ~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。

; q2 |6 C8 l3 x我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
: z" x) g8 X1 G4 t6 H3 `! k; C3 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。

你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

. x+ ^0 h4 ~  C7 t6 N- a! r

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 ...

2 u' K6 h$ \0 R) G$ }+ G
" q( E1 ^. b. n9 ]' h能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* D( u$ D+ G; n

数值分析 发表于 2022-9-25 14:58
  ]9 {$ }- n- }. P, {( Q. L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
- }7 p; x: j) `9 u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，
- g! l. ?  U7 y# O1. 直接调用 vector inner_product 247s
0 s* J$ k, N) O0 M5 s2. vector 循环点乘累加 237s
$ C% f4 r' f& g8 Q3. float * 循环点乘累加 204s
' R3 T; P9 l- M6 l  U% D5 o4. 空循环 100000 次 202s
+ K; l- v; g# A9 s0 P3 g# t
2 u5 r8 r0 N! p6 V- [3 l( q不做内循环 200s
) d3 M& A, n; B, V5 R/ I: Q
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。
7 z; W7 z2 g5 z6 |; k9 l/ R
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）
( p& s0 L+ Z3 `7 x5 |2 R4 G
（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);
3 r) W9 Y8 Y0 V  W" Z$ _+ r! E        std::vector < float > vec2(N);
( W1 x* v- A+ C! `        float* b1 = new float[N];
        float* b2 = new float[N];
) V) R1 ]9 z. @* q5 ~5 M
        for (int j = 0; j < 6000; j++)
0 G6 B# G7 F2 A9 w/ {        {
                std::generate(vec1.begin(), vec1.end(), []() {
  t" }- M8 }, i2 ]0 D                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
" q% q+ f( E+ V" `. i+ m
                std::generate(vec2.begin(), vec2.end(), []() {
/ _* r/ C! P% w! }                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
0 g* s4 ?% `: ]" V1 X  i
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
0 M9 s3 \/ [; O. @# G# n                        b1[jj] = vec1[jj];
% _+ I' z4 x- {6 B# e) P& E                }

  n% w/ w' b* b6 t' E6 Z  g                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
7 [: ]% e( B+ S& U9 ?! }                        b2[jj] = vec2[jj];
5 _) [. q( m/ r9 q1 K4 R                }
/ I. H! r  A3 F# ?! b4 x: k
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
( D5 z8 S  S- A% j/ ?                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
* K1 W9 h4 u3 G5 \" V                {
3 G8 _& C) E; k% q, P  D                        fresult += vec1[jj] * vec2[jj];
                }
8 f$ @. i  k1 d                */
+ |$ Q% k3 c; O                                
                //Method - 3  N=100000 204s
  |4 U3 v3 K$ I; F5 R                /*
0 I: I2 c8 B! H1 e$ b                for (int jj = 0; jj < N; jj++)
  ~/ x# S7 U9 b8 M/ N                {
                        fresult += b1[jj] * b2[jj];
                }
% s' _4 n- |" m6 p0 t6 W6 Y4 c                */
& U6 f7 W7 d$ n4 {( t/ [2 c
                //Method - 4   202s
- i+ ~4 x  z3 x, f3 S* t- [& _                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
7 @7 N6 {, V( c                }
                */
/ F) G3 ?2 h: Z. U) U7 G6 V5 w2 F  M                //comment out all methods, N=100000  202s               
! m9 |( q  S; P# R; o/ o) f        }

1 V* G: Q, r$ y7 `6 X  S7 r        delete []b1;
7 ?  G1 [, F6 I4 b( A        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？
+ M' K0 i6 D3 N' w' |
) q0 R' [. d4 Q6 U; ?+ K: M! ?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？
  a' \# a% }: `7 J

雷达

机器猫 发表于 2022-9-27 00:15
5 c1 N0 C/ ^5 w! V6 q# F" V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

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
/ b/ I; F9 I, t7 u
+ k& K9 P$ n; L# i不和它 ...

& P9 v7 e' b( z4 Z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。
! {9 L+ x6 d: b" l% f9 @, A3 ?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)
{
) b4 g& P. P) K        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？
- u3 u2 Y! x" i3 nVS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。