C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
+ X9 ]8 ^# \4 z( O5 l
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。

- ^2 b% @  K3 N, n+ n速度优化问题真的很有意思啊。

3 H8 ?3 R2 X1 q3 z欢迎大家继续讨论

数值分析

拉下来？拉多少？
) d- i# X! c) W5 k" ~( u把代码贴上来看看？
; B9 {  Z/ I0 G, u/ W9 ^) n5 i
% S1 c! d1 Z6 Z- j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

1 `& w' I$ k4 x2 b* d/ L

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？

9 r% V7 N( {; ?, e0 I  t: ivoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
* g% N6 `8 @$ A- s/ @# y' M' ^* J        xtimesy.re = 0;
5 I7 h9 Q# k# C) ~) u5 h        xtimesy.im = 0;
' ?. Y0 p: W- x9 r7 A        int j0 = lenB - 1;
        int    i, j, i1, reali;
* L9 S1 q; u/ r/ N        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
1 G, [0 l5 u6 c( |        reali /= 2;

        int nconv = reali + lenB;
) B. Q* f0 T/ e/ A  g        //#pragma omp parallel for
, z' [( r2 N+ l! u        for (i = reali; i < nconv; i++)
$ z9 t7 y! G( v- @7 p        {
1 R+ S( J7 G3 O. J/ V                temp.re = 0;
; a6 d/ n! ~' j* R7 i/ T3 M' K                temp.im = 0;
9 d: T1 [" s6 a' U1 z& v5 M                i1 = i;
                for (j = j0; j >= 0; j--)
+ U* `6 X( s6 k7 y/ f                {
                        /* floating date operation */
                }
9 u, S5 L. L" `3 b9 ?! ~$ m7 Y        }
}
4 {/ u/ e4 n$ N% O
, H  W2 ?0 I4 k7 _+ N' o% Cxcorr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

  i( X! J2 W# C; 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。
现在call xcorr 100次，耗时78s.
- M; Q! G( A2 P2 D7 T
, h& H/ B3 @# L/ S7 X如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

' D% ]) s1 x* L: X% C4 v- L2 f9 Y; Z

雷达

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

* E5 G! J$ }+ ]: r) T6 j+ g) S
不应该，看我上面的回复。
0 j% ~$ [2 @3 w4 f- ?
我更怀疑是 VS 社区版的问题

数值分析

8 P' U: K  w8 \' w2 H. z/ f9 q

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;

: B' v7 U- x) v+ s" J+ @9 n
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）。

& R! D, H0 i" ]5 v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
( g, L; r% i$ M& q这个不是这么比的吧。。。
$ K4 e, o3 d2 A2 T' D
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。
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) [( B/ {) w- ^8 P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。
, V( {) h, }  A3 _: Q) ~6 C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 ...

+ v, _, m) D0 W9 }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。。。
$ l6 y5 |4 I0 w/ ^$ Q2 d
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

6 `+ k  u7 Z0 U' c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
( C1 J. e. \- U4 @% b$ M6 s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 ...

( k- I- b7 S* G0 n) ?* P* A. a
+ R/ g$ a* X) H6 t是的，兄台说的对。

% B) f' x, \% m7 a2 e" g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。
* T; E) q! d  N0 H( f& o
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。
2 V9 i9 R2 _% ^  E  z# F3 r: G' q
3 D5 _8 x; M4 O' }* Q$ n- s6 \8 l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。
) b$ s2 i/ n) B7 f$ w  R' L) _
0 J0 {1 H4 K5 @- X4 ^( H' L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
" s. Z" N, w  W3 i& V- A1 N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 ...

* {$ t/ h; n$ n9 j" K& I0 N& }
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。

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。
$ A% _9 P* \! E
7 M9 V5 _- m0 M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
9 O1 j  K+ L8 Z7 Q- M) r4 I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 ...

& Z2 Y! N/ I  ~0 Z% \, S7 v
* R7 |( o; Z7 f4 I: X; u& N$ ]

- I% ~1 L! g( v5 V1 T2 u$ h+ V1 l$ y5 t) I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
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。
1 y) Z+ b+ I( E' c7 o, I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.

4 j7 w( \4 j) j9 f内循环试了4种方法，
0 s2 o/ x0 t' X' ^8 W" O1. 直接调用 vector inner_product 247s
- R( i6 w0 t0 M+ U2. vector 循环点乘累加 237s
! e( r9 x" H/ _; H7 q) h3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

6 `2 E$ u( T3 x/ |. f7 F0 p不做内循环 200s
; B2 P, d! v. C6 Z9 N
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。
1 u# x8 _' g1 e0 g  F' M- t
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）
  V& F% S' G5 W. H

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];
9 m6 }% K% F" ^7 C/ }2 t  N; t
) H; C8 f) X- ?& `2 A4 g; X, U        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

  i1 W7 I9 p& _) L9 a4 U                std::generate(vec2.begin(), vec2.end(), []() {
! N  s  }7 C4 C5 }( L0 g. F0 W% @                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
2 x" }2 E% X1 d
; j) J) Z( C! A0 }  R9 z                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
. L; @7 g- R% S+ F8 x8 n' {                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
: s. l9 I  Y8 M4 V  v                {
2 W2 |+ a, n6 x% F  t0 p, [                        b2[jj] = vec2[jj];
                }

+ g0 l6 S8 W' C$ G5 q                //Method - 1  N=100000 247s  
7 T; |3 ?- f; l) q                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
: B' m; i4 ?( R8 W6 _                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
. r- }: ^1 m( {                {
                        fresult += vec1[jj] * vec2[jj];
4 q9 s* f, ~) Q+ r% D. b                }
0 G+ n6 y. y. M. N# _6 y                */
                                
, x" P2 J7 l+ B; S                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
                */

' c" N" @9 p7 `! z7 \9 Y# t! ^                //Method - 4   202s
                /*
. D& i* M6 V1 x! D3 r6 B& D: c                for (int jj = 0; jj < N; jj++)
, T8 F- D& a/ w                {
                        
                }
5 |9 z0 e6 I. i- V                */
                //comment out all methods, N=100000  202s               
& l; _  S; H6 V! B3 x) V5 B3 H        }
# R9 e  `0 `) W: H# A6 H$ Z- w
        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？
4 S# f6 I/ I. R. 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？
& c. R. y0 i& |. e& x1 ?5 D* g5 `4 I

雷达

机器猫 发表于 2022-9-27 00:15
+ X5 N  U; g6 V9 J, [$ G/ U" \0 u: G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？
: n7 J) @( o2 W) D, c1 G
- J6 Q- i0 ]$ l% K6 E- M" w4 {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
: ^+ r8 ]: y, U
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
) ]+ P6 B& H% F; c& `+ R5 w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
8 v) k3 |, ?* J- w
9 }5 F; F! L9 c! X- O7 h, |不和它 ...

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。
8 W8 b8 C/ N. B) d" m3 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
9 Z& n" `% n. `3 m7 s6 dvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
2 ?7 L, w# k' F{
5 X8 q+ h3 E: z8 f        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。