C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

# I% [$ R. P. d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。
+ ^, V: H6 {2 B2 o; s- A5 b& M
  S9 k7 n: m: f0 `3 h/ I6 n8 W8 X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？
# H7 X5 F! I5 `0 W9 @  \把代码贴上来看看？

/ h& |4 `. D8 e! |7 |7 ~9 t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

5 I& O2 O/ m* B# `! N

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？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
4 Y% Y" G% f% O        comp temp, xtimesy;
+ b/ w6 b% q  U/ I- \4 K9 Q        xtimesy.re = 0;
        xtimesy.im = 0;
# V( M9 {# \- g/ J        int j0 = lenB - 1;
5 n1 B& n; s2 D/ O: y; C+ _        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
/ i% ^) ?9 ]- U, u( `                reali = lenA;
% e% I% ~7 t! P3 ~8 B4 R        reali /= 2;
+ X: M' B: u; Y  g: i
" O8 I" D0 N4 t! J4 E: _6 M: [        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
" N& U# r6 q2 j. O        {
                temp.re = 0;
                temp.im = 0;
) ^; c( ^3 e( P5 J                i1 = i;
& e8 [  k6 m' b0 P( K                for (j = j0; j >= 0; j--)
                {
# a4 B2 o# v. ~, k9 v5 M7 s! z                        /* floating date operation */
                }
        }
}

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
+ s$ n1 ]2 W( d2 [" X; A" e& N
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.

雷达

风雨无阻 发表于 2022-9-24 23:33
, {6 B! e' b2 L- e- [Maybe Debug mode?

2 C4 q1 A5 O1 X  n, {" |6 `+ |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

0 G$ T3 F0 f9 d8 j* v8 h* {3 o1 N

雷达 发表于 2022-9-24 23:54
+ Z  q; }0 _' \! T) s4 zvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
3 ~) y% z" O$ p3 C* d1 s: Z        comp temp, xtimesy;

这个不是这么比的吧。。。

& Y; _3 T3 ]8 R: r* Z: Z; j6 z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）。
$ y, i; V4 P, _
5 _( w. Q& ]0 H4 U: c5 Y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
( ~8 k- K1 K4 ]- u这个不是这么比的吧。。。

. ^6 o) |- b2 S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）。

% a, R% c0 W% d, e. R6 a% Q
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。

, g0 |2 U! G" ?2 c$ h/ @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
$ H, ~9 l# P9 ~' {3 v, J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
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。。。
7 H  ]' H3 p9 u0 S* g# V
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

3 g: j5 S0 k; w+ J9 S: \, t
2 d) G2 z2 c: Q2 B$ t7 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

" W; O# z& A* a( Z( P& P8 Q7 H

沉宝 发表于 2022-9-25 01:48
8 F+ O' \7 \2 s2 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 ...

是的，兄台说的对。

7 [& z% s3 o7 W) s, I5 Z4 b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。
) D3 M8 z* C) Y# K' Z3 l
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 ^( S3 ]5 t% a+ U& I9 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。

  @! s, B- K, W0 k# W; \: 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 T, P& A# a+ O: U5 w

沉宝 发表于 2022-9-25 01:27
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 ...

1 M, w) |4 S2 T. O" g6 M7 ~
, {; L" S+ k5 o) {: r1 [) o6 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，时间差一倍，我上面这个差的太多了。
% e  F  Y. B2 o/ n5 s6 W1 x
5 o0 ^4 T$ d: K7 V7 l我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
. v7 m! j  M( d: Z& F) z* {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 ...

9 Z  B+ v6 h& @8 ]. w) {+ t2 n时间差一倍的结果可以接受。

* ^! W# L9 v5 V6 V, u, `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
$ R8 n: @( D* ]2 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 ...

& S, `7 u4 _' Y0 I
7 b7 p0 y/ C+ s" x: [" [* Y2 S

1 c3 a. [' d1 Q* X% e0 @$ x+ s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
0 T$ {# }+ s5 `, {! V能不能把这个也贴上来，看看和上一个有什么不同？

) ?9 d* f4 {& ^. y# Z6 z% d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.
  Y7 F/ |4 B1 D" T; \: @
* [8 P' x+ l' R* n$ J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
. |8 ]" n" Z: p" @
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。

8 v( W" a7 I2 h: G/ z/ z' N+ q: a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）
4 e$ B# q1 j  Q
+ X- p% z6 M" O4 t" [  |

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
/ c/ t+ R' N( c        float* b2 = new float[N];

/ i- [  t( F$ P! r+ d        for (int j = 0; j < 6000; j++)
* l! s$ _7 N8 @* ?5 S# x% e! F2 Q5 i" n        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
  }, c) s0 u, o, L
2 ^8 L, z2 ]  ?$ J) U% o& Y                std::generate(vec2.begin(), vec2.end(), []() {
7 Q* \8 U+ ^9 A! s5 B; i                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

4 w4 q; V6 r3 h( G) b5 w/ {0 Q                for (size_t jj = 0; jj < vec1.size(); jj++)
! I8 M1 j1 R1 @, P, z0 D! B+ X# |6 f) \                {
, N( E) o" H6 g. {( S$ [                        b1[jj] = vec1[jj];
                }

! u  v% g. J3 S: v0 ]) [* o                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }
/ X: q) V' v* A9 [; J
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
. [& _: |; }& {7 s8 T                                
& N3 S* d7 d5 Q# T9 c                //Method - 2  N=100000  237s
                /*
7 I0 t: j5 o6 {# Q" z( E                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
6 R, r+ t  z; G2 X2 ?4 ]                }
7 R1 n! t! n  ?6 D% c. D7 j                */
                                
) `" k  B7 @& R5 R! G9 n                //Method - 3  N=100000 204s
                /*
8 m( R( X9 G% I9 }( ~6 j/ ?  h# o- j                for (int jj = 0; jj < N; jj++)
* }8 S( |" `* Y! N; S/ g, V  S                {
                        fresult += b1[jj] * b2[jj];
; f# ^: e! e/ i: i* I7 Y                }
                */
  U- b5 Y% k3 o# @# k5 H
                //Method - 4   202s
" w  B) J% N0 G' Y                /*
                for (int jj = 0; jj < N; jj++)
                {
1 \$ o4 h& k9 j+ k, t, ^) e                        
                }
4 [7 R9 J* i: ^3 n: i                */
                //comment out all methods, N=100000  202s               
        }

        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？

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？
3 B5 z' y' P. q! V: v. L+ k

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？
7 D+ G4 J9 S% C/ p" |! H0 H
! T/ k0 {4 u1 A' h- e. w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
: U5 e; X! H3 H+ Z9 ]* |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
6 j! u# W) v* ?6 z) ?2 Y
不和它 ...

$ j3 e/ D9 i' t  X& l8 m
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。
  i2 ?) F" @6 Q, x; v- A8 r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
& c0 \* V9 ~6 x7 U& K9 |; m! d7 _void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
( H% s- }" Q, N        comp temp, xtimesy;

# N+ }7 [: B+ U, O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。
5 D3 W% ?: y7 \  w* ?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。