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。

速度优化问题真的很有意思啊。

8 x+ b9 G& F8 k4 F8 r+ a欢迎大家继续讨论

数值分析

拉下来？拉多少？
0 v8 @1 k. b9 _把代码贴上来看看？
7 C( V4 ^, T) p. c  f
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
拉下来？拉多少？
把代码贴上来看看？

2 ?( u6 F2 X4 \! U+ k+ \3 Y
: A2 ?) }* U1 r! Vvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ q- ?0 G+ e2 L$ Q% G% L2 Q{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
$ Q8 U* [* v% N; E/ }                reali = lenA;
- n0 a3 Z5 ~% f" Q- M. S        reali /= 2;

        int nconv = reali + lenB;
7 @$ o# `7 K: M, ^8 f        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
1 w' [6 ^4 t& r9 J7 w/ K- ^7 m                temp.re = 0;
                temp.im = 0;
2 l* e- u) z9 Z5 G' O                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
' G$ `/ g$ _. O/ D7 I6 C# G& G0 D                }
        }
/ t# b/ y+ w  V2 |; L& g" Y! d}
; ?' K& \$ c7 V' c3 @4 g* l) ?4 W0 J
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
1 [( n7 V- J+ K1 n$ U
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.
. I! b) p, P- L8 T
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

) C' ]. O, x' _  M/ [; o$ w& @

雷达

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

不应该，看我上面的回复。
* V! w" ?9 Z! m) V* W
8 G9 ?& o  ]% J4 g& z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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
4 z# p5 {/ F- D& Q{
. h; H3 @  R  B2 z        comp temp, xtimesy;

8 O! f7 D% o/ i
7 V$ W2 H: `9 @: A; D# z! h8 ^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

0 S5 S# W4 N2 u

数值分析 发表于 2022-9-25 00:20
, D1 P, G6 {. H: \9 c: q这个不是这么比的吧。。。
- v" W) s( M6 s' R
: p: S+ X, h4 V4 Q1 d9 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）。

, ]* X. o! [3 D  D1 Z5 ?
有道理。
& f8 U  R! e0 ?4 Y  V+ N& ?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。
0 q( z1 r" P8 w! k
9 n7 \$ q! r0 o" v1 B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" b0 k. N4 q2 t4 L% C7 {) G有道理。
7 C# ?) {5 I4 l, z; ~6 V/ {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
5 e; X, T- R1 \& u& o$ |7 CWhy 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。。。
& x" a9 l) Y2 d6 j$ {
' p2 G9 i) f7 L9 z$ ]; o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

: E1 ^$ ]2 ^; {5 _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
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。
9 h( [/ p2 g& I9 C  L+ Q7 d& y6 }! m
/ x6 ]- S6 S- U2 F1 m# F: o! Z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。
8 M: L* s4 k9 c$ E4 c
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。
! v  s, B' l; n; _) D. L
  U  q8 B) i+ x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。

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
% F1 N$ \& t+ L# U, S1 C3 }$ 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 ...

  V1 l# m  ^- N1 R( 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，时间差一倍，我上面这个差的太多了。
* V5 v9 G& [  F% q6 s' C& A
5 _0 N$ t3 j2 D+ P( Q我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
3 m9 F3 h+ K8 x3 f1 |( x- b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。

4 C3 a% D! a% {; i你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

4 z6 P& R) X( D' e9 B

雷达 发表于 2022-9-25 04:47
1 V. D& w- s: z- Y% T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 ...

能不能把这个也贴上来，看看和上一个有什么不同？

雷达

' _; \- K" c0 m

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？

! e! c2 N8 @' c( _2 Q理了理思路，重新做了一个测试。
7 f1 Q3 }  R8 m" g/ J5 l5 H1 C9 ^1 L/ Q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.
' X- n1 C2 C) i0 T; W" n( H, I, X
, t' h; w+ \! d% C5 C4 ~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
& v2 n( A" P5 Q6 ~
  }0 ?$ ?: C/ M$ j" _9 s" T8 K" K不做内循环 200s
7 G. V2 O1 H/ O- u# @: a+ \, z4 a5 a
你昨天说的对，内循环本身占比是很小的，大头在其他处理。
* f+ J+ L+ q/ G4 |另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
/ W3 k3 h  ^3 x# \: F
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）
' s0 l! C2 ~5 S! |- W- `% M) O
（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);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
% C1 M2 y* t9 t/ U4 g* h        float* b2 = new float[N];
) n# P1 O* q: X3 m
2 F2 g* {7 x; V6 l        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));;
* M+ _- ^" V( O$ Q6 H% p                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
: q( o8 K0 j+ \9 |# x- ?* u8 e% M                {
5 ^9 x* j0 R( {3 V                        b1[jj] = vec1[jj];
( K4 t+ ^' C1 c" V6 F: j) ]1 G                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }
! D* I5 w; l  T6 Z
                //Method - 1  N=100000 247s  
& K2 f4 |1 K, P9 W. V7 X6 m5 \' j                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
4 q4 h; `8 U, J+ ^# c% b                //Method - 2  N=100000  237s
' N2 t2 W+ B4 F3 O' L8 ]                /*
5 `) G. C; f. M5 _2 V                for (int jj = 0; jj < N ; jj++)
% C6 \0 Y+ C2 v                {
6 A0 d) s2 d5 \' q% l2 }                        fresult += vec1[jj] * vec2[jj];
                }
                */
" W4 Y' g& c) }, N" T0 C' _                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
6 e3 v( E( G% q5 ?6 a/ Z% {+ L                }
. @3 V; O9 l; r8 |+ d6 ]. a                */
+ j7 h( \+ l6 g) o: b7 S/ J
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
3 x' }& R  S: `% G4 G                {
( \% W# @6 [0 h4 Q  x                        
/ n1 Q5 K. D1 X: ]8 `- Q                }
                */
9 ^% j9 B# N# I5 b8 q- S; |                //comment out all methods, N=100000  202s               
4 z  [9 q) {6 S. b        }

        delete []b1;
5 `' h9 p8 _! o! {7 S1 z. c        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？

8 V$ S) @8 d9 |5 a; i- o8 }. _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？
6 d; c' }: D1 M9 J, @; T  S

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？

4 j. ]4 O- e+ X1 L! D' ~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

8 H% X0 a9 ]: r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
% d7 a. h8 c( z
不和它 ...

, Y) _& ^# q2 o: m( X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
9 i- s- f+ K! Z6 `$ w( rvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
2 ~  b) t# [: ~/ r- X7 D{
" Q: `- P7 r( ]5 c# H. X        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。