C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
; k( H) f" j% w, N% p
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。
6 Y7 R3 b$ P7 f9 V/ X1 N# K
" z, E& d# \  _$ b1 P速度优化问题真的很有意思啊。
+ {& h3 r( f! A5 _6 h
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？
& A4 u' ^6 g2 U7 {/ ^9 x- N& ?0 m/ m
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

* V1 P6 C5 _* [+ k* I# t

数值分析 发表于 2022-9-24 23:04
0 ~$ V; F% |, R6 W拉下来？拉多少？
把代码贴上来看看？

0 u% y# Y( d% x* P' L3 P3 evoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
( q( b8 m, V" a" P        comp temp, xtimesy;
7 N4 B% H. a) p) @& c9 }        xtimesy.re = 0;
9 E& l4 d2 T& t. Z5 O        xtimesy.im = 0;
        int j0 = lenB - 1;
/ L: H" y$ o) j  V6 o: T& w! |' x        int    i, j, i1, reali;
- l. @) D. `# u* w! `, @        if (lenA % 2 == 1)
& {1 P% d3 H: s( x$ s6 V+ I                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
( {4 \1 n: p: s        //#pragma omp parallel for
9 \& l$ u# j/ t$ V        for (i = reali; i < nconv; i++)
1 y( p* {  Y0 x) f1 t6 M( \6 F8 u        {
                temp.re = 0;
                temp.im = 0;
' X  a: [8 C6 k9 R( J' _4 ^                i1 = i;
                for (j = j0; j >= 0; j--)
0 f0 c+ s7 p! E  U                {
                        /* floating date operation */
  T. Q" N9 A- U, p) @, Y                }
+ M9 m0 u) H$ h, A0 X2 }- r# S" p        }
}
- w* P+ d" Q9 S7 V! d* U7 ~
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
9 T" |9 U. ?5 R+ m$ Z
0 E" D; [3 o8 x/ j5 n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.
% {0 T& N* y) {; ~( ^
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
. x2 d* g6 c$ y* e  \9 X" sMaybe Debug mode?

不应该，看我上面的回复。

7 C/ @9 ^" J8 q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
/ h8 m$ R3 w* h0 |4 q5 A0 uvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
9 B$ N3 }- [& \1 ~6 z6 Z        comp temp, xtimesy;

0 v, M- U9 B, `; n4 a
% z1 \" X' x& }* x2 t/ ~这个不是这么比的吧。。。
" q/ @- e* g; j0 s7 d& @5 E3 b* ]- {
5 L0 \) x$ a4 t! U% D. O- O# @" J, v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）。

( u* |$ h  y2 B, X- Z6 D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

; v  z5 \! _, @# l% x3 E7 ^

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
2 Z8 _& I2 T  @5 H% }+ X1 |' r5 H3 J
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）。

- b0 y, t8 N0 E" r; |4 B
- w5 w3 K6 F2 G0 n3 j5 f- g) 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。
4 K- K7 B) `7 @% _
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
, H  o' i  Z/ W3 i+ w, M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，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。。。
* [! g+ C$ N8 G6 S
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

( E6 r& q/ N0 ?# \; v. 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）。如果循环这样跑，花不了多少时间。

数值分析

0 [) I% i  n, s" a/ a  p& f" H6 v* Q# 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 ...

( E( n% k* x( g
) q+ N  v9 y" L1 _是的，兄台说的对。
6 S9 a9 B7 g* T+ L, w1 Y! V3 x! D
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。
" O' Q0 I* D  q" p/ J" \5 B4 v! C
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。
& L3 _# |* f8 P' P- g/ V
8 s$ G9 I0 @* _+ `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

* D+ P0 w3 [$ p- J4 u1 y

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 ...

! l+ q) ]3 k7 m( ^& j, 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，时间差一倍，我上面这个差的太多了。
) a7 Y5 W7 N5 F6 i6 T
$ l6 \  \/ F. U8 G我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
5 v+ t$ t3 b' z, I! \/ v+ N( v" y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 ...

! r4 [! k- m# Z) W7 q8 Q时间差一倍的结果可以接受。
; F+ F. K3 M5 T$ i' H( ]
$ q/ _" V$ r) {) n% u  O  C6 `& p! `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
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 ...

# y! @4 [2 `7 ?) B8 U4 Z: D7 A& d& V
) d: v6 o7 o3 B' T
- n# q/ r/ |% v
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
. t' D$ {% U' |( G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。
" f) \* \& X5 }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.

4 v' }/ ^* B, Q" T# B: V" T- N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
7 N6 V$ h  l3 w- P" I3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

不做内循环 200s

: k( U7 |* b' X你昨天说的对，内循环本身占比是很小的，大头在其他处理。
. \$ t: S- V4 v5 _! G2 j( J, l/ `另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

' E- Q9 d/ `. ?3 S1 q/ _' ?5 m0 E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）
( v2 H; k2 G8 [
（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）
6 c4 ]6 k2 J- T% T) x# \& Z0 U

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
: x5 b! _9 `# i7 t2 n) N        float* b2 = new float[N];
8 k' O0 u) y7 u) q, s
        for (int j = 0; j < 6000; j++)
        {
7 O6 \  q: H1 B. B3 ?/ U                std::generate(vec1.begin(), vec1.end(), []() {
  G3 i4 X4 D8 R# I! H8 a2 I6 |* R                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
& Y) y' M- p3 ?+ B                        });

                std::generate(vec2.begin(), vec2.end(), []() {
( p. @; V1 S( N; c9 E% z                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
1 G: n; U) q3 C( Y# s" _5 q+ t2 s                        });
+ x, `6 n" l* K7 b% f
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
# C, u+ g$ x- X1 H; A) F                        b1[jj] = vec1[jj];
                }
. ?. y- s5 W8 y8 U, L$ J
1 I7 z) A1 H5 W0 x7 Q1 H# x: `                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
: g  R; ]/ v+ D: d+ s4 j                        b2[jj] = vec2[jj];
                }
9 @, G, g$ R5 V6 s6 Y- v+ N4 f0 W
$ o: ^  D: [" ]9 U; M* a$ J4 L9 |                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
* M' N. V: _: ~2 \7 S* Y1 T                                
5 C3 H! n: J1 E) @# @0 g- f                //Method - 2  N=100000  237s
                /*
2 o9 z! Q3 V5 n, Z6 L! m+ X$ b7 o                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
) e7 A/ t. B) K" p( R: w                }
                */
, H& z6 m4 N% e1 m! I; q( g                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
5 ]$ M' J) h0 I. W; g( A5 T/ {                */

                //Method - 4   202s
                /*
1 L4 U6 K& N" I0 `                for (int jj = 0; jj < N; jj++)
                {
                        
1 d3 t7 |' q* R7 r, H* k9 G" A                }
! O* L* I4 H: ]0 S5 W5 r& G                */
                //comment out all methods, N=100000  202s               
        }

        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？
! j* P+ w6 L& G) k# {( \- b7 k

雷达

机器猫 发表于 2022-9-27 00:15
  v: [) d( T- b  u- q% \3 o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 ...

/ ]# X! O4 b8 k; f  [+ o$ x! c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
3 M# g5 F: ^, _5 N3 J
+ Y4 r) u& A( g7 z4 j4 W" D3 m8 F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
2 c; x) j5 l6 \. F  [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
- {% ~1 D7 r2 }4 k, m5 N) ^0 o
不和它 ...

% I- m+ @5 M; ^8 O& Z/ t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。
7 k* j$ M+ s: b2 Y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。
: \+ j  |  M2 E6 i: q* i3 X# Z& q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？
; ^/ h- ]2 {. E/ j9 N0 aVS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。