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。
0 z  N+ S6 k+ h% z7 v$ P5 d
( f8 U9 E4 F1 U, w* A速度优化问题真的很有意思啊。
$ N2 Q& P- L# j# m( R
' u8 `! ~. X9 I欢迎大家继续讨论

数值分析

拉下来？拉多少？
% v* V7 ~5 |, Z8 a$ y8 {) I: `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

数值分析 发表于 2022-9-24 23:04
% ^$ U# C/ G  q2 J拉下来？拉多少？
. l, w1 B8 U. F7 O' A# M把代码贴上来看看？

- }7 ~* ?3 s" b! I
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
/ Y+ j- ^. W: Y1 h2 Q; @        comp temp, xtimesy;
        xtimesy.re = 0;
/ H: d0 D, F5 P' [        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
# ~# i7 n2 o  s* `        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
2 c$ m3 B9 k7 z, ]% z1 n9 A        for (i = reali; i < nconv; i++)
3 \8 K8 x9 F6 l( Y7 y; s; Q; [% q: ?        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
' k: y) b* U# U+ F2 z                }
  m3 a1 s. x, g+ Y/ A  s        }
6 p3 H8 P8 {  |4 w6 Z6 P* o2 u# h}

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
: I; \7 ]0 |* J8 ?2 [
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, b: S. k! r/ r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?

4 f8 Q$ O- v. ^: n# K  R. G* V
; u. h  H. q6 @  k6 H4 `不应该，看我上面的回复。
$ [0 V1 S& F7 }/ ?# U
7 G  ~1 n* h& c' g3 P# B6 h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)
{
* v4 Z! M- J8 T& F4 _9 b- N        comp temp, xtimesy;

这个不是这么比的吧。。。

% K) K" L9 U9 H- |( 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）。

/ l4 W/ p- O2 _" z, Y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。。。

5 T" Z9 u3 n5 M8 Z" Y+ c/ L) 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）。

) z3 H' C% H% K& v4 x% e8 }0 A
有道理。
2 ]7 L) v# A' s( ^7 a' L4 p  i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。
$ o$ Q8 |3 |: Z2 `: ^/ W4 P5 T
. q! Y9 P: b* C( y6 N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
6 z) q* l/ ?7 a+ {有道理。
, e6 C8 N; `# }: e# y2 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
3 e8 R% _+ i9 C" ~) 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
* l6 F8 I, [' j1 [9 |( i这个不是这么比的吧。。。

5 |" O8 ^: X) u! Z! Y9 ]& R3 S  O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

. n/ W5 l0 F. [: [7 N! p3 q

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 ...

3 `; R2 x: ?3 g3 S
是的，兄台说的对。
) e0 C  s! a: Z" E' Z( d9 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。
6 J; i5 g" e. a& B
) c; h7 s; U* k6 l1 A0 Y" k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。

  [' E) W6 B  i/ U& j. T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。

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

7 H: B9 C( c6 j0 {* Y0 P

沉宝 发表于 2022-9-25 01:27
  Y8 @5 E- h, }5 L9 {8 b0 i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 ...

! W' H! i! q9 D- e6 @. l8 E
/ Y$ j; x5 |* a* 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。

我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
, X. G9 o4 L8 X+ 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 ...

时间差一倍的结果可以接受。
  o/ c) T5 x) s; J
3 r1 c0 f# C8 u9 G. m' _* T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 ...

' [9 J! e8 b7 {' s7 `0 t  P1 z8 i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？

  k# g' l, s: I) f, X8 y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
; G& ]1 Z$ ^9 l. {6 t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 L! L/ t0 I# r2 i5 B% i( R. X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
( r3 ~( L4 [9 C2 s9 w3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

* a8 W# M: x/ A$ W不做内循环 200s
# ^  b* G7 [( c/ P3 b& K) I9 w2 b
! g/ \. L7 w$ |+ A  ~& d# ^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）
% A8 m, h$ r* `  D: h
（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）

) f! e2 Q0 `5 T3 J2 C) Z

        std::vector < float > vec1(N);
, `0 y8 _" e) x' D% H' U2 ~$ D        std::vector < float > vec2(N);
. O1 w# F) h2 X- y, y        float* b1 = new float[N];
        float* b2 = new float[N];
- n1 V3 q/ p$ G, ~9 V5 {. C
        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
* Z; W$ O' p. m/ x5 e; M( r                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
' Q3 q7 }- K0 @( i4 g6 ^                        });

0 G6 a5 t1 ^& D8 T! R. N9 y- q                std::generate(vec2.begin(), vec2.end(), []() {
, d2 {: E+ ^( w0 n                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
- ?  @: C9 l4 g* I* \+ e                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
% L5 v3 Z5 U( N0 H                }

- B9 M5 C( F: B8 @- v+ U                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
2 K7 N' b" ~7 ~/ ]                        b2[jj] = vec2[jj];
                }
8 V4 N2 @/ e6 m$ A: w8 w. v  c; r
                //Method - 1  N=100000 247s  
, d) }' o0 i& b+ t- u( O                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
: m2 M6 [4 t1 X                /*
                for (int jj = 0; jj < N ; jj++)
                {
) ]; z5 D" w' B7 \                        fresult += vec1[jj] * vec2[jj];
                }
                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
7 s7 ~* h6 C6 i" {                        fresult += b1[jj] * b2[jj];
                }
                */
8 M" j5 {; }4 C" g" L
( A: t( ?9 E, t8 T# R( y                //Method - 4   202s
  W; c# J, q. |# i6 \                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
                }
                */
                //comment out all methods, N=100000  202s               
        }

        delete []b1;
# L, `4 @. E* [" k$ w9 L        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？

; B8 X: g9 |$ A2 s7 x' d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？
0 k% `2 `$ O6 }1 [3 }2 J+ E* g$ U: v: x

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？

7 k0 ?+ b$ g7 z" B( ?7 r你第二个试验里面的j在循环里面又重新定义 ...

- o" Y% \7 y; j9 ^; v" @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
" |# d! Q) G4 `
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
, z: Y1 p- v' k# w! P" G7 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
! ^. B% _1 s* L% ~' j
+ ], K* D3 ^5 ~% u: W1 I不和它 ...

! f1 {+ J  x" ?
8 k( z( J  R% d  b6 s1 ~0 w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
$ c# {- l8 f  k9 K  avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
! G( j* x* ~/ L% a# V{
. F5 @* E5 ?6 N+ B/ e        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。
  {& y( i6 I! a( k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？
& W/ H* u2 a0 l( `& IVS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。