C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
6 q7 j$ }# U9 @
3 t; G% {$ E" y" J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。
  ]% u; X# W5 r4 q3 f
速度优化问题真的很有意思啊。
1 c' I& J9 k" j9 c' H$ N. I: G
欢迎大家继续讨论

数值分析

拉下来？拉多少？
% l5 H( r3 Q0 {, L- R9 ?把代码贴上来看看？

# j5 `! @2 H: V6 P# g4 a; V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

. T8 O. R/ @! E4 n2 ]% _8 u& V0 c

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？

, P0 I* U, y" z2 f& D7 h9 J
8 `5 m* y, C* gvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
; y! R; f& A& l4 X& c  Q        comp temp, xtimesy;
: H8 c& K6 Z0 X        xtimesy.re = 0;
        xtimesy.im = 0;
& f8 z0 _9 x2 d2 _) V2 s' m. i  G        int j0 = lenB - 1;
2 m  w+ o" |) a7 h( M        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
4 y( q- S! ]4 {* S                reali = lenA;
  L+ N1 v5 \  Y% x/ }$ `. U        reali /= 2;
1 U' Z+ s- Y/ z  M3 S+ |
* M1 @: h. Y2 p        int nconv = reali + lenB;
8 ^2 K8 X8 v9 D1 L        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
. ?# u" P! {& k' }! P1 h3 P                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
& O7 }& z* s+ K$ C4 j5 b9 W                        /* floating date operation */
+ b% V4 o# i$ R$ {3 R                }
        }
}
2 ?$ N% b2 S" i
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
2 t1 E  C. X8 ?6 t8 ~$ n; E8 G8 v3 s
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.
8 T2 [* F4 s0 Y/ h) k" K/ T
5 J) y* F3 g- p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
1 Q. n5 G, `5 YMaybe Debug mode?

; P! F4 t( r  W$ ^* c* h
& e9 |0 |/ j/ G8 m不应该，看我上面的回复。
* E' L, V( X: _* G
我更怀疑是 VS 社区版的问题

数值分析

) _: @8 q9 T' X& x6 J' U

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;

9 M* F( c* L' ?' F+ I
  R" A6 T7 o/ D5 q- b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

数值分析 发表于 2022-9-25 00:20
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）。

! U1 I& L, H' w' k- `; i" U有道理。
+ K3 r. [( Z! u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。
$ T: _% L' y" Y# @% s% ~+ _# w6 `2 f7 F
; R: q6 {) E" B. m% Z! B/ Q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。
" q1 S" L" c1 Y9 U1 _, G. {3 m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。。。
: b/ ~# V4 O0 _9 w
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

+ \5 R# M- i5 A- Y
: y- Z" F' a) L0 n0 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）。如果循环这样跑，花不了多少时间。

数值分析

' ^& A/ P. d/ a

沉宝 发表于 2022-9-25 01:48
( z3 Y- h! Q0 O9 \# Z' `: \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 ...

# o) S. t; f+ I5 @  x6 ?) p% @0 r
, J# R+ _4 Q- A3 D( w: L4 I是的，兄台说的对。
4 b; ^8 ~/ `; Z. u0 G5 ^% c0 Y
) ?7 Q2 e9 h8 t* M$ f) b9 W( x% p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。

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。

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。

: y" n) ^  l8 O2 @7 E! q% G* n" U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
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* d) R. ?- C1 E$ K4 {
  S9 d7 o- l! L& M+ [- p5 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。

" U0 \  I: T! I4 o( r! h2 z# C我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
7 f3 }1 e0 `$ @6 _& F* 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 ...

时间差一倍的结果可以接受。
$ I+ x5 }$ H4 N6 C7 C
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
# V: K4 @- I6 Y) \$ d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 ...

3 T. K, C1 a% h


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？

, V( l# i$ P, h8 }( o理了理思路，重新做了一个测试。
0 {. [7 K' c" w" [- }做了两个 vector 和 两个 float *, 都长 100000
: P& J* ?8 ]) j  b: _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.

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
% F; g. A& \& g& s/ F: {  |- w3. float * 循环点乘累加 204s
+ N6 C! S$ @- @2 t, C' [4. 空循环 100000 次 202s
, M- U" _0 J+ n( `* ?$ o8 {" E: ]. d
8 A4 P& h( @- U% A3 Y不做内循环 200s
, ?% T" X! r9 M7 ]' y. c: k
- R5 i0 S7 z$ j' N# t# C! e$ j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。

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）

& ?: k6 S- S0 V0 I& m- @（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) G, |# i8 W

        std::vector < float > vec1(N);
/ ~& q+ X. K" Z7 h8 H; n$ p% N        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
        {
+ X0 Z- f& y0 }: _& K                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
( b6 e7 ]/ ]. X
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
1 Z1 l: X+ X0 v5 t; q& n! y- |$ A                        });

8 ^/ a+ f1 i1 j1 k/ H7 |                for (size_t jj = 0; jj < vec1.size(); jj++)
9 ]0 z0 h3 O0 G' l- v/ U                {
$ w2 H9 _2 }6 d3 p8 [" [1 n                        b1[jj] = vec1[jj];
; @$ Y; N) V3 ~                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
; K3 n% D7 r- j* R' E6 p: x+ @  w                }
: F- x9 C( k  j* r. F1 j& ]
                //Method - 1  N=100000 247s  
) I, z9 b7 f  s6 G* c. J1 k2 b                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
1 n6 z2 N. L$ I3 p! S                for (int jj = 0; jj < N ; jj++)
' q  A3 D8 u  M- o                {
/ A$ ~  u' l( Z4 f                        fresult += vec1[jj] * vec2[jj];
                }
                */
                                
" {' v4 ^% m, o! E- A                //Method - 3  N=100000 204s
  Y# q1 u1 X. o' _) p. t1 D6 `& X                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
! s0 c0 \! p0 U/ q/ \$ R$ _: s                */
5 x. z  y7 V: k4 H! ?" S5 X3 T9 O
                //Method - 4   202s
/ H' L+ t. B; l  c. u2 R* w, g- v                /*
5 V1 L( Y! I& N. ^6 G9 B                for (int jj = 0; jj < N; jj++)
- [8 ^3 \, G# T3 V  ~0 A  d                {
8 e; Q* v- b. W                        
9 Q) j" O1 m' T: G+ H                }
; d9 D) B8 C* @- t; l                */
" o( ]; J4 ^9 t6 N: b9 [                //comment out all methods, N=100000  202s               
        }

        delete []b1;
9 [$ }" S; O. `* O$ d$ x- x; r        delete []b2;

) N& B: E$ k) |: u

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？
) g8 g% O3 Y/ \1 b
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 ?& ~+ ~; E7 j6 {) g( U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 ...

' W  b7 d9 x/ f/ D0 ?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

不和它 ...

4 I2 a- n/ B7 D; a; b/ q% W6 F2 F/ T7 q
+ r- G2 A" R  f. H. |8 ~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
0 ]# f, H" d2 d& L8 ivoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
; \3 J- b2 `4 g7 ^        comp temp, xtimesy;

) x1 j$ a& v1 w" M3 H% x" p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？
( O7 n! M  G8 S: S2 z. NVS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。