C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
. n& s: u9 Q, y1 z7 n
9 S  l" R0 ?8 T' _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。

5 m0 _& w6 H. _3 P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？

0 d& {' ~3 M0 g5 u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

* C& \3 G  _; i9 n# p

数值分析 发表于 2022-9-24 23:04
2 y1 h% n7 |! m! e4 m2 U3 A. g拉下来？拉多少？
3 t$ o0 k# l3 j3 m& _把代码贴上来看看？

0 e& D! F2 p3 U
$ C" f& Z' d) r& Y& L0 U: q( mvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
$ p) V" U, a3 c{
        comp temp, xtimesy;
1 Z" P! E) `5 ?! c6 N        xtimesy.re = 0;
        xtimesy.im = 0;
3 |" v9 Q, i& E/ g  b1 [/ K4 F        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
( @* ?6 r1 |7 C- g                reali = lenA + 1;
; H7 c+ z! Z9 {% H6 U, q5 T        else
4 Q0 B2 X# _* `% V+ y                reali = lenA;
        reali /= 2;

; |9 v5 p  ]; _: z; y3 n: A$ d        int nconv = reali + lenB;
5 s5 s) q2 c6 D        //#pragma omp parallel for
( l. M8 V" `! t' l4 p        for (i = reali; i < nconv; i++)
        {
' b' v. u: l  s3 Y                temp.re = 0;
                temp.im = 0;
& b% \+ N* O4 n- F4 r" I% w                i1 = i;
                for (j = j0; j >= 0; j--)
# m+ \/ P  w& s( ]" R                {
) J* Y/ J# [% _+ v                        /* floating date operation */
5 S8 i* d8 ]5 @% Q( W6 k                }
& ~, z- T0 Z3 Z: W        }
}
8 c& P* P/ K6 T6 C
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

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.
$ n% W# q; F1 L. ^0 v
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
' s* h% v+ j+ }. f, C4 s( JMaybe Debug mode?

不应该，看我上面的回复。

3 p! z2 M* D7 R# D9 Z我更怀疑是 VS 社区版的问题

数值分析

- ^- C2 z4 }7 E8 W5 o

雷达 发表于 2022-9-24 23:54
# J1 z! ?0 t6 x. N" s( Y7 w( Hvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
0 B& h8 m  \  V" X( E{
        comp temp, xtimesy;

. Z5 d. l5 w/ b1 h! ~
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）。
1 g  {6 i, O) l
- R. X! F. c" U# |, ^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
$ ~! p4 H" v7 U+ S: X这个不是这么比的吧。。。
) h. h- _" D4 U% }
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）。

! ^0 X5 ]" C8 P. g0 o) 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，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
有道理。
; j+ Y$ r3 P6 H/ c, k1 E8 O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
0 C% k. Z8 k3 o% G% s这个不是这么比的吧。。。

3 C: ^9 H. Q* S7 ?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

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
  _0 E& V' m. x/ ~1 f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 ...

7 ^: f% d7 ~4 \% d  M- f
是的，兄台说的对。
$ P& q% R4 q( \, z1 m1 b8 T4 G. ^7 E
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。

2 V- R+ U" K" k" @" `# c2 s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。
# H- ?5 k% p8 B7 Z$ |
1 ], j# r9 W4 T4 S6 E( P/ G& }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

) {& S5 _) ~( b* @9 v: s1 u

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 ...

% K; q( O4 I: i2 f4 f7 y2 G
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
: m' L) w3 l# U& [' A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。
' g$ c' O7 ~6 W: d7 S4 U/ p* J
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

6 e$ S/ F& ~, r+ y1 G3 ^

雷达 发表于 2022-9-25 04:47
1 c" \: ?9 _$ }" 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 ...

7 K/ t' \6 V: a( A

4 C8 S9 `) I+ `能不能把这个也贴上来，看看和上一个有什么不同？

雷达

+ Y1 s8 c. y5 s, x

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。
; S; C0 l) o9 H8 _. S, `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.
# {9 W5 |: {" D0 e: F
内循环试了4种方法，
( r2 c* P) ?/ ~1. 直接调用 vector inner_product 247s
! I6 _& M6 T9 t/ M# _2. vector 循环点乘累加 237s
; F/ L# d& g. B+ @) [  ?3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

# O  Q& X) n8 C4 S7 d不做内循环 200s

8 o4 e. Q+ W$ {8 G8 x/ U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。
- p& z* |9 {% t, h) V( P
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）
7 C2 T5 a# R5 G' l) O" 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）

% E' q2 @; V5 D$ h# |$ t3 J3 V

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
        {
/ k; T4 W7 ~# q+ D' q# y: V                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

% A( D3 C* w& `# q6 X/ c8 }                std::generate(vec2.begin(), vec2.end(), []() {
6 N7 F5 w9 F/ ~7 I  \                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
, F2 ~* n9 ^# i) X- k* B! ^                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
2 A- ?$ m5 n! w4 ~! @3 z                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
/ ~% T- z5 @' ^, d/ I8 z. V                        b2[jj] = vec2[jj];
* K- Y/ s, F8 S* S1 A                }

6 k: W7 j" ]3 U& [2 C                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
" h9 r, u' Z7 K3 W: H                for (int jj = 0; jj < N ; jj++)
' p( {1 f. T, y: c0 f) ^. U8 t                {
2 v* p- ~' {/ u" R7 C# n( f( _                        fresult += vec1[jj] * vec2[jj];
                }
                */
% S& u9 r+ d; l& E9 e0 o! e1 G                                
                //Method - 3  N=100000 204s
# v! s7 D$ q, f  [  W* b2 u                /*
, |9 \$ z& o! K3 @" S+ N                for (int jj = 0; jj < N; jj++)
/ m7 T- [8 A0 f3 o                {
                        fresult += b1[jj] * b2[jj];
9 c. x  l3 I& U                }
                */
/ G) l1 k+ L: s& }6 x8 n
                //Method - 4   202s
$ p: |0 w0 ^8 A                /*
                for (int jj = 0; jj < N; jj++)
3 {: i3 }1 S; ^1 }/ K" c                {
& n/ U- g: n- t( M7 k                        
                }
                */
7 ]( u% t# X, f- S' X' Z5 v; g                //comment out all methods, N=100000  202s               
0 Q/ D' U! x. v# X        }

6 N5 Q! v) Z6 h# g% J8 S9 g        delete []b1;
. H5 Z6 b: e0 Z: D6 J$ Q  k        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？

) [' n, W  r: P9 p3 D0 L* h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
8 c3 @: l: ^* w. h" B+ T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 ...

# P1 l; U  c5 b! ]7 R; [- h8 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

4 m- @" q; M! v8 A3 \1 p4 p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
; Z% Y9 M# p1 C" Q  |9 T" L, v, [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
- L* i  D) E7 a  K2 x& {% L7 ?
) a8 {* {# `" v) L* |" P5 T6 }不和它 ...

- n5 w9 _1 l: w' q5 |
- z+ t( w. e; `5 b- E$ v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
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。
( r) ]3 d7 X: q# x7 |+ e7 [  S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。