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。
8 t2 K" C' p$ a3 I$ @
速度优化问题真的很有意思啊。

/ D0 k7 t7 e' }3 T欢迎大家继续讨论

数值分析

拉下来？拉多少？
) v/ m/ H: q$ t2 n; H7 R. Z把代码贴上来看看？
( k  a! ]/ J# \
4 R, H+ T5 }1 H  L0 [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
$ {! P% C. C8 t: _; V. c拉下来？拉多少？
把代码贴上来看看？

. C2 j' h" C+ P1 f* S( z
2 h' w# j( w" e/ ?' W% x: Svoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
  W& m7 t2 S# D5 \4 Z7 C        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;
6 g3 p) G% E6 }, v6 F        else
                reali = lenA;
* ]$ C3 z! M$ [3 l        reali /= 2;

        int nconv = reali + lenB;
. i' v2 Y7 M" O3 ~' u2 L$ f1 |: K        //#pragma omp parallel for
6 s9 ~3 S& p& K' D6 I8 N+ \        for (i = reali; i < nconv; i++)
' P  F0 i0 ~& n$ p3 `0 Z        {
* U, x! d7 _' L, `                temp.re = 0;
6 w! Q: x. H! k: v- I                temp.im = 0;
5 P" Z) e, l5 b                i1 = i;
                for (j = j0; j >= 0; j--)
                {
/ R$ l: A1 W& u7 E0 r! U                        /* floating date operation */
1 g! H/ q. g( Z# a6 X* R/ o                }
        }
}

) M3 p' r, }: [8 Bxcorr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

  p, X" F) P$ E红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
! v9 o+ O2 h7 R1 {7 h# ^  M现在call xcorr 100次，耗时78s.

1 P  k9 E9 D; u: \. [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
Maybe Debug mode?

3 Z9 ~8 Q+ g) K4 g不应该，看我上面的回复。

2 B' o' ?( ~3 R7 C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)
, b1 ~  B4 n: I" i6 P{
        comp temp, xtimesy;

# }* ^+ ?: S8 v这个不是这么比的吧。。。
' g/ l6 q: y  P7 e/ W" y
; Y, T! s5 _7 k' I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）。
( Z9 i! \0 w0 B. v9 U$ }
, n+ }7 I8 S" e0 C9 O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。。。
! _7 `# K9 ]5 c3 E+ D1 F
% ]2 |, u% x3 n) F2 e; X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）。

有道理。
4 ^8 c  m, b) W0 q2 F: [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
4 e) [/ s+ \. P- n* [有道理。
) V9 e, H) N2 X2 q1 ~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 ...

2 j4 B# C" O' `! e7 `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
; W' z1 R/ m  ]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
: \, O/ q% _- k* ~3 [: c. 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）。

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

& m6 W+ L7 M" [) K6 u- D

沉宝 发表于 2022-9-25 01:48
+ S9 [0 v& l6 c- D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 ...

  h! v/ ?/ J6 A" Q% I; @! x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。
/ D$ M$ D% S1 t4 ]# J* `3 R
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。
0 G( F4 K5 ~/ t# Z0 p/ D0 s5 H
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

- D1 |/ Q7 q! F) n5 W- s

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 ...

+ h& ?9 J' @! n7 S/ l
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
6 Y% @1 c  s. x; }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 ...

% ~+ W) z$ F" I# Q6 C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

4 o7 b! M6 a: B% {3 b9 d3 ?9 ]

雷达 发表于 2022-9-25 04:47
* e. W; S3 _/ E" 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 ...

) l0 `' J! a" p9 R) r
7 C8 O! o+ K. w( L
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？

; K8 q- B1 j% u8 L) V理了理思路，重新做了一个测试。
5 ^$ Y! N3 ]$ q做了两个 vector 和 两个 float *, 都长 100000
5 l- }' L% A  a5 H. m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.
2 @7 ^; R$ i, T0 N  `! u
# I7 s4 S) V0 ^8 k( `3 C内循环试了4种方法，
* q& d1 Y4 D4 }* H* S* q1. 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

  d+ b3 F/ Z9 _( K! C1 m' g$ q你昨天说的对，内循环本身占比是很小的，大头在其他处理。
, u7 Y! }& P& u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）

（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);
2 a, ?5 P) @# n        float* b1 = new float[N];
! \) G% w& c1 P' q/ B        float* b2 = new float[N];
6 Y) y- S" T% e( c# |# n
$ ~2 f! q% C9 V+ `        for (int j = 0; j < 6000; j++)
        {
& G: b, ~, S6 M" j                std::generate(vec1.begin(), vec1.end(), []() {
+ [# ]2 e; O- B; l" ]7 g                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
2 `  }/ O' k4 N. X3 }) h                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
$ ~6 D% s$ w& f7 ]+ e- _5 A" m                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
1 F) _# |: G8 x& T                        b1[jj] = vec1[jj];
                }
5 V4 I$ S' b: a/ K
                for (size_t jj = 0; jj < vec2.size(); jj++)
' d# ], I7 @' s0 n& b5 |% S- Y                {
                        b2[jj] = vec2[jj];
                }
+ m3 B* q8 i4 M/ W& m
. @  ^  f7 g/ F                //Method - 1  N=100000 247s  
2 K( {! I  Y" ]3 ]' ?4 \                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
8 |8 r* v$ q- w1 _- n7 t! e1 q, G                                
8 n1 ]5 q4 S% `8 t: S                //Method - 2  N=100000  237s
- R3 d8 o# z% Q5 A# G$ Z                /*
                for (int jj = 0; jj < N ; jj++)
& [2 H* `* _7 w: X4 L& r+ V9 R                {
' p' k1 o- o0 i4 ]+ ?                        fresult += vec1[jj] * vec2[jj];
                }
                */
/ P0 ?" |. c3 z( G* t+ [. p' x& T9 _5 m3 x                                
3 ~& K' j% K1 T                //Method - 3  N=100000 204s
                /*
' W% ?1 j( s( l2 v" d% ~                for (int jj = 0; jj < N; jj++)
                {
  ^% p' `/ s* G  ]: ]                        fresult += b1[jj] * b2[jj];
                }
                */

( T& d7 P3 Y+ e* u                //Method - 4   202s
  b2 C! F1 j' [8 \6 b6 H; k4 g                /*
# C* C$ {3 c7 c3 |                for (int jj = 0; jj < N; jj++)
                {
                        
                }
6 c6 C* A8 l2 g6 J5 I) J: R                */
                //comment out all methods, N=100000  202s               
7 n! t$ F5 L" \% T6 S& J7 m        }
7 D0 M% t# n( G3 }
+ L) y+ a) t5 J" d& q3 c        delete []b1;
0 ]! w) Y$ ]6 z6 R* ]5 S# Y        delete []b2;

# a- T6 z$ K& a7 b. A9 I6 z2 Y0 A* f" `

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？

. W1 ~& J& s# x2 S- ^4 y* M6 T, Q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？
, U9 Z7 p1 R0 C0 O. l; a* ?3 i* F

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？
2 K  J1 O& J" Q' m
9 U# H. k9 L  z' c( h2 K' j你第二个试验里面的j在循环里面又重新定义 ...

! B" f7 x$ M( y& c, L# ~+ p4 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

6 h/ R2 J# J- D/ W" {6 _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
/ b( ]# p6 z+ K$ H- q) Y9 J0 ?; }! ]4 x  \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

/ U1 ]5 }& t% p9 l& f: v7 M% k0 O" j不和它 ...

5 n& Y$ S! l* U. a2 ]- R; G; y1 X9 s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。
( _: b) q0 r7 m7 p) d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
; r2 q( m0 I, M$ P! |% V5 Lvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
4 O1 Z& u1 u/ N' W4 ]( |0 }8 d8 k& K        comp temp, xtimesy;

  w  ?. F/ G" ~; h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。