C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
; J0 M, H+ v1 i  z& Q- U( |
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。

" V0 B6 U* A. ^+ ], b速度优化问题真的很有意思啊。
1 m$ ]; Q, B% }7 N% b) f* ?, d
& t; Y. v/ N( y. n欢迎大家继续讨论

数值分析

拉下来？拉多少？
# T7 z) u/ }2 a2 t7 i把代码贴上来看看？
$ p: U; x, Y8 Z
9 n) {$ t2 q: m' L) ~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？
) W' R& C( n+ ^9 \把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
/ u4 z8 n8 t- d. \; C{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
/ D+ r) X, f0 J2 S        int j0 = lenB - 1;
( _! I" N- C/ Z8 Y( u( l4 @( d        int    i, j, i1, reali;
* G: O2 `3 h' {& a1 f: |        if (lenA % 2 == 1)
) }' f8 i# o2 g5 ?7 R                reali = lenA + 1;
# Z$ V) U5 o( L! N        else
                reali = lenA;
( ~$ L4 w4 J% y: o/ d        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
' t& d; i* k# E        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
. P  [9 \2 c5 y. l: k                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
/ X; @9 \" m; R                {
! q) B0 S- S% H5 F                        /* floating date operation */
/ w- V' C% m  ^6 D- i# I' N                }
        }
}
) K9 e* H" F, u+ R5 X  `2 j6 W9 {2 p" g
, _" t% r# w- [- y. L9 ~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

/ n- r- x6 C- V3 ]6 ^3 P  C红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
# \; D. @6 C* E  y( k' d现在call xcorr 100次，耗时78s.
8 }) H0 @, @" t! i, j
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
2 N: T; J. x" p' v* G+ i! ]9 y

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。

- `8 r# W" n# y! e8 j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)
. x- r0 w) y( I# A, Q{
; G; B& M3 C6 i& z, y        comp temp, xtimesy;

( W" R' V8 D! k( Z% d
这个不是这么比的吧。。。
" Z) q' n9 T' n/ r. D& }5 K7 K
0 P$ v1 q$ L! @2 r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

数值分析 发表于 2022-9-25 00:20
$ {' Z& y! f, K) \- e2 r$ D/ l7 L3 v这个不是这么比的吧。。。

& r$ f6 n: c5 |4 l" 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）。

4 V# i- {, k/ H0 b2 T
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。
: i+ ^- Y$ Z+ i7 O4 G4 k% M
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
% c# ?2 ^6 a  V" p9 p& K% H2 W有道理。
5 r8 Y$ ~. M5 j: w1 C/ D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 ...

3 I7 S* q7 p! n9 D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
$ ?9 _5 l# w- u2 iWhy 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
" h1 \( ]  j+ q$ L7 g% H  `- a4 p这个不是这么比的吧。。。
8 @; L$ l6 I1 f2 `  [* q) F( [$ 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）。

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

) \  }. E/ F* |2 w# }

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 ...

& S) W7 _- i2 h" C
( h% r. n7 p! p2 r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。
% u+ K& C" T/ b' U, p2 b
; g& G( g1 Q9 O% {, m" I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。

. j0 J8 m- z- `1 d: h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。
9 @! `- ]  _/ I! l5 \  }( \  A
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

) }/ o  H/ @5 t1 Y' j/ l4 }

沉宝 发表于 2022-9-25 01:27
' g& ^, U0 k8 V, q- o1 e$ a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 ...

2 W* T+ o) f5 M' E* u
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
! i! V  \% U- b/ P0 A" a# D8 }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 w, m% N! `( B! {( _" p. D  q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

雷达 发表于 2022-9-25 04:47
# \% ^9 P- f2 u+ N+ h2 A! H6 E, 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 ...

+ w1 M8 H3 V* L% [. s, Y( j
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

, N' i2 l: P+ h* {7 T

数值分析 发表于 2022-9-25 14:58
- d7 `' H7 `- w/ v7 |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。
, E% B4 o, m4 \0 A- M/ }# I% W2 h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( c) b1 ?1 X- F* P
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
0 E% q6 I+ @0 ~4 K. F; a, \0 Q, W2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

4 K- m) h) E$ ?# h9 p不做内循环 200s
& M2 }) f: K, w6 X" `6 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。
6 g- \6 K5 t' c9 S, m另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

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）

9 p# P- M  F5 j3 Q; n4 Y（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) T7 E+ J, j# _# a8 e

        std::vector < float > vec1(N);
( b7 O. R" [# ~/ d$ b3 t1 k0 Q        std::vector < float > vec2(N);
5 u3 V3 o% S7 w" i) u0 S( J        float* b1 = new float[N];
5 j2 i" X& g0 f1 Z        float* b2 = new float[N];

        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));;
                        });
. U# C9 |8 i% D  J7 C
5 t9 |* M! `5 z! x, ^                std::generate(vec2.begin(), vec2.end(), []() {
1 |0 \6 `$ [; D                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
3 v& m+ K- X; }% F                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
: T: e% Y5 Q3 [, b8 L                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
$ ^; w* d/ S6 f8 s4 i' v                        b2[jj] = vec2[jj];
1 l: H8 x: T% u8 T1 `( Q                }

; [9 X6 Y9 N7 H9 V: [                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
8 |' ^# F, L$ z: B- h8 B, z5 S                //Method - 2  N=100000  237s
9 k6 R# h+ S' F                /*
/ f, O# }5 A" r" ]                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
/ {1 ^: _, b4 Y& X$ l6 J                }
4 w0 R- R: P& w! Z, C) h                */
# U: I2 T. m6 B8 ~) x                                
" P" T: j3 }8 I  F" Z. ~                //Method - 3  N=100000 204s
( D; d7 _6 F* `                /*
                for (int jj = 0; jj < N; jj++)
                {
6 P  ^; Z2 U; B- U" m- f) B0 n                        fresult += b1[jj] * b2[jj];
                }
0 s0 y% @& f8 ~$ v, ]6 J" ]                */
, m3 v0 H7 p3 e. E
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
/ d, Y5 S* J+ j' d# W4 Y, S                {
                        
4 F8 X, q* I/ f& Q" _                }
                */
                //comment out all methods, N=100000  202s               
        }
( s, \+ A2 H7 f5 ~0 ?8 U
6 X# W0 ~! ]) l/ i  X        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？

雷达

机器猫 发表于 2022-9-27 00:15
9 V, j# b  k& T) z8 ~- N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？

0 }0 Y/ v# V3 J$ B/ v. j1 }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( |9 T1 p/ H
; x2 l3 @6 z) e) D+ U8 l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。
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)
) P7 L) a: j, C: N1 o{
6 r/ N8 E  K/ ?- \9 L! B        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。