C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

% g( k& ^8 O/ |& d( a1 X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。

/ _% g) U1 p9 Q速度优化问题真的很有意思啊。
  \5 a- E: m+ E4 @& w# ?% i& ^# x
$ ^! _* h6 \$ z, `& {# q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？

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

$ P- ]2 r4 s& S1 a4 L. e4 d6 b

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？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
# F& S1 A, y. r3 A* Y8 Z        comp temp, xtimesy;
. h4 h1 I- H% W& M+ V1 M        xtimesy.re = 0;
7 I& y" O' i- q: \4 o, u1 e4 S/ m# g; {        xtimesy.im = 0;
5 `! g( F6 J% p" Q! M6 k2 I7 R        int j0 = lenB - 1;
7 z& d  D4 E% q2 B9 {( I0 C$ B/ U+ ^        int    i, j, i1, reali;
1 K* F1 x' U  d) n( c$ ^        if (lenA % 2 == 1)
                reali = lenA + 1;
4 N0 x# S& ~. r2 c3 {8 Q        else
                reali = lenA;
. z" U3 ^7 P  K1 k" E& y        reali /= 2;
1 q+ m; B! G' }  b& r; v6 f# ~
        int nconv = reali + lenB;
# {7 o: \1 J( m0 i4 F% e- l        //#pragma omp parallel for
- u9 p% d. m' _) N+ g4 f        for (i = reali; i < nconv; i++)
  K  }  }$ l7 h5 M, H3 t1 Z        {
2 @* s* z  V' X/ `! K2 q7 ^                temp.re = 0;
6 z5 W) v0 ~: Z+ R6 G: ]0 O                temp.im = 0;
, z1 B* h* z: M# ^  E, w                i1 = i;
                for (j = j0; j >= 0; j--)
                {
; ]: S' h5 U3 c- d, M- t7 _, X                        /* floating date operation */
                }
9 o5 ]& z- j9 e$ {  q1 N        }
. [8 \* d7 v" Q6 {2 [2 n/ D4 G4 d' B}

- {2 T$ w3 l6 g+ L) _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
' b. t: G' p( P+ h
. D8 X( U- M) ~" o: f红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
% @, E& a/ T/ P8 M+ }$ v现在call xcorr 100次，耗时78s.

2 n4 s# n+ z, r$ {如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
4 ]/ W" F* J+ ?" X, I/ r5 e; X) m

雷达

风雨无阻 发表于 2022-9-24 23:33
Maybe Debug mode?

& y9 @) T3 y% L* _! C0 x
不应该，看我上面的回复。

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
/ [0 }2 N! O7 l' M7 ?4 cvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ Q, _2 ^9 ]1 u{
        comp temp, xtimesy;

) |' D4 [  R4 `/ S: Q- J) u
这个不是这么比的吧。。。
, B9 R5 @7 Q$ @9 g/ n: 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）。

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

) }9 F! j  N* y1 X; o+ g

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
& f: H& D2 p$ Q( B0 n$ H9 V, K
0 q' k* ^% M7 ^0 Y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。
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。
# Q& e: N, r" J4 {! Q2 M/ V
8 ^# C, ]4 G9 D, \' Q& m% O6 |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。
5 S+ f/ |# j  P" L" S$ O+ C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 N: ?2 W# Q' N& d8 ~5 O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
' u7 k- p$ h, Q. h9 |这个不是这么比的吧。。。
8 A/ G0 T  J$ `! O+ [5 Y$ \
0 L7 A$ w: q5 Y# 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）。

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

* b% c" s7 l7 g

沉宝 发表于 2022-9-25 01:48
' j+ O. W- J1 s* n$ n2 Y; t' 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 ...

/ K9 A6 h2 F) Y" b
% T8 V! q  _, |+ o. o0 w$ {- l是的，兄台说的对。

% t, W/ X0 {) e2 @" M0 Z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。

! {4 h' o/ {$ Y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。

- L! X9 R5 Z8 T5 m$ [3 |! N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。

6 J' d/ N3 w. {5 \) s7 |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
# g& n: K9 y" U$ T  e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 ...

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。
5 ~; q, f# S  W% b0 c! X
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
- w0 ^, K$ Q% Q5 ]- k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 ...

& T- x' l5 |$ x" `. 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 E/ f% i- Q

雷达 发表于 2022-9-25 04:47
% h+ T2 y4 m; R# 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 ...

' Z% ?$ ]/ g" B8 g7 x& j

能不能把这个也贴上来，看看和上一个有什么不同？

雷达

9 C9 T5 ?& t2 U4 V2 x7 h

数值分析 发表于 2022-9-25 14:58
  n4 V! v; {; s% [3 H; ^5 ]% ^能不能把这个也贴上来，看看和上一个有什么不同？

/ ]& p( U# a& x# @1 i: ]/ Q6 p( G理了理思路，重新做了一个测试。
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.

内循环试了4种方法，
1. 直接调用 vector inner_product 247s
* H0 w! Z. d4 A: q' P4 F# ?2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
% u6 k7 K; u  J4. 空循环 100000 次 202s
+ v5 b! L9 Y: w0 M
不做内循环 200s

! M" `# s: O0 @8 K你昨天说的对，内循环本身占比是很小的，大头在其他处理。
/ D1 \6 e6 s0 a: X4 M9 [另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
( W! M) G) m! _
0 [& H) ~5 L, K+ }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）
( C- j3 F1 L4 `3 ?" Q4 p" l- @' E

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
! D6 ^4 V3 k9 f        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
        {
- V4 i* p- S  A. ^* a7 {9 j1 |                std::generate(vec1.begin(), vec1.end(), []() {
* R4 p" |+ f7 A* [3 ]3 w& V                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
! p0 Z! S( ^: F2 A. ~" i! a5 V                        });

                std::generate(vec2.begin(), vec2.end(), []() {
4 ^; c" x# |! C! z, c% Y                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
" M7 t& @! w; `5 s2 G8 t
                for (size_t jj = 0; jj < vec1.size(); jj++)
/ s# G) {9 z& ^9 R2 S  w  O                {
                        b1[jj] = vec1[jj];
" ]# k- @: Z7 T6 M                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
; o; S+ x8 P9 f$ R; w                {
  S& H+ i( `0 f+ c                        b2[jj] = vec2[jj];
, `8 z5 A0 M4 \. a                }
, w  @$ X. s9 L
                //Method - 1  N=100000 247s  
  \# S3 L. W7 m3 r* o                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
; }1 ]- i* k  i: P5 `# }0 s                //Method - 2  N=100000  237s
                /*
2 @- [5 Q. f% W% f4 [0 ^                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
8 Q5 T7 d* _/ i) [- \                }
. F* o( ^1 d# Y. N) g4 w& k- P1 E$ y                */
                                
                //Method - 3  N=100000 204s
- f* U: g; v9 x1 K2 m                /*
                for (int jj = 0; jj < N; jj++)
, Y+ E9 d  `+ r                {
2 }! R( o/ o8 S+ ~                        fresult += b1[jj] * b2[jj];
                }
- s6 b, {# ], Q* c7 ~" Y  @                */

                //Method - 4   202s
                /*
; E% W% i& j" {) S8 p( T                for (int jj = 0; jj < N; jj++)
                {
$ j- i/ g) V! t+ N                        
                }
                */
: e) m. i5 g0 K! k# N( e, Y                //comment out all methods, N=100000  202s               
        }
2 G% k- R3 M& V- U7 g1 N( [
        delete []b1;
4 `2 Z2 Q4 T5 T  `        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？
6 l- \) @; i/ g$ q. D4 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？

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

; Q, W3 x% r  R1 J  p不和它 ...

% G0 U' j2 k# i& X
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。
$ `$ ]1 z! }9 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
! U2 H1 l: |' E: E0 ?* U- uvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
. B1 k8 J5 ]4 g{
        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。
9 |0 s* i; u8 z  ?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？
4 v% X* D$ a9 h' ?' hVS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。