C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
) ]1 [) M# m- U% d
8 C2 G+ }7 f# @! {! x! b8 @: l( i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。

( z6 O; s. B( P# U+ b速度优化问题真的很有意思啊。

欢迎大家继续讨论

数值分析

拉下来？拉多少？
% i! ~! y0 a  f- j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
: j0 ?" `0 c. Q* h拉下来？拉多少？
把代码贴上来看看？

& z5 K7 R& x6 w2 Y" a1 Y) {7 V6 S! b
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ J1 Q" V9 N& Z: x{
& z/ ~, Q1 e5 q7 ^8 x* v, z/ [5 V$ x        comp temp, xtimesy;
        xtimesy.re = 0;
2 W6 E8 X4 g8 O" o$ e+ A        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
6 n, a! U3 l4 O8 a4 Z7 O        else
4 h9 K! [; e3 g! @8 I' ?                reali = lenA;
        reali /= 2;
$ p0 r. D# E: {
        int nconv = reali + lenB;
7 ^$ f3 i( e6 t        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
0 l( s# S7 `! R4 D                i1 = i;
                for (j = j0; j >= 0; j--)
                {
5 o- C+ B, P4 G& R) S2 q7 P                        /* floating date operation */
                }
' ^4 ]% i! d. I( Y  l8 ^) c        }
}
4 l$ z, t( Z) q9 \$ n) ^$ x
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

红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
" @3 z5 l# R  i/ C现在call xcorr 100次，耗时78s.
7 }' K- V4 z) w. D% D
9 g7 s: o! l8 ]/ J* w, r6 k如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
9 S( c2 F, E5 c% ^! }
. w: U; p( y9 `  X# l' ~* \

雷达

风雨无阻 发表于 2022-9-24 23:33
7 w, [5 {  Y/ _Maybe Debug mode?

0 b  P& O. n1 y$ [; t9 }9 c" A# z. u; T
* `$ A! z8 i+ Z% S  L5 d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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

  J' R" N  t4 T+ d# e7 o( p
5 ]9 U( p2 q2 k+ 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

( t/ S' ?7 ?! L* E

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）。

有道理。
, K! w6 w$ i5 F/ \8 v( `4 y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。

3 B2 I. K0 c6 C1 }3 e# q; S& o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
9 r8 ~# [( e6 e! ^( v有道理。
2 ^, I0 z3 T8 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，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
$ k2 x+ T8 S) h9 B0 W3 f/ J, N& yWhy 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。。。

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

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 ...

是的，兄台说的对。

% z' N4 g3 x8 u( V( i7 J" Q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。
( I. u/ c( R1 C2 C5 k
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。

. C5 Z' N- }7 G" G4 p# B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 ...

1 E5 C% s: F7 Q' j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。
/ s! s5 A# J$ d! u. W$ _
# m7 V* ]* x) q我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
. z/ i9 s( ~7 f9 a: a: \$ g# Q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。

你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

  ^8 h4 t: z  @+ M$ c

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 ...

1 C( m# b/ t# i; P
- x$ q, P( t. C) T
2 Z- N8 x' l3 E* I6 U& f能不能把这个也贴上来，看看和上一个有什么不同？

雷达

+ g8 d4 B+ j* k" ~# ~) n+ D

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？

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.
; D* _& J7 P9 }- L. u/ Q
. h2 }% n  i. A$ a0 r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
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

4 {6 @7 E' M+ w! r5 o不做内循环 200s
7 z, \4 K. q" r  n1 q- N% l- Y
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。

' h* m% w0 i, m$ ?8 g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）
4 w1 e2 R' q" F7 A. q
  @2 R6 _  Q/ C2 x1 c6 R$ p. q（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）
3 y, q8 q4 j& h* P9 r3 `

        std::vector < float > vec1(N);
( {' V4 q! d2 g        std::vector < float > vec2(N);
        float* b1 = new float[N];
# {: p0 A( |; L        float* b2 = new float[N];
: \9 z& a+ h5 m
        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
4 v& h( ~. C  d9 q" b' F1 N4 Y
* b7 S! m- ]' N: ~, M0 Y: [8 }                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
% F9 T# ~4 ^: q. L+ P( l+ o: X
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
- A( E1 ?0 Y* N6 b- r                        b1[jj] = vec1[jj];
5 ^: e' c: W/ u" r! \" e                }
3 ?: r+ O5 G5 d6 u
                for (size_t jj = 0; jj < vec2.size(); jj++)
6 j9 f/ s3 d3 i4 O                {
                        b2[jj] = vec2[jj];
                }

5 y; b! j9 r$ [% h                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
- U& \; J' j' L( |" b                                
$ |/ F  {. ^( y- r5 ^                //Method - 2  N=100000  237s
3 x  x  U+ n4 S2 C& N# E0 C                /*
                for (int jj = 0; jj < N ; jj++)
0 s$ ^6 R# t) o8 O. z2 e                {
                        fresult += vec1[jj] * vec2[jj];
, \) r& o9 D& ]* y) X                }
& Y. q+ t+ H) U0 P                */
( C- ~) x$ F( M  L                                
                //Method - 3  N=100000 204s
- f" `8 o) B2 l3 ~0 _( S. w) s) D                /*
& S% c9 B) q4 G) @. p                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
# r8 {9 N! w' o: k  u9 W1 Q                */

                //Method - 4   202s
. N- i! P0 Z5 S. X                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
7 m5 Z6 k. b! K* G# a! f6 J                }
# r6 s- O; p! X# i2 U* m' U                */
, T6 c8 I# G; ^8 R                //comment out all methods, N=100000  202s               
        }

; D; e1 B; K9 s/ C; d        delete []b1;
$ e1 R- `: z( V( X+ a  b        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？

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？

) q( u+ {, ?/ J* Y, c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
5 z' b3 y, w% Q3 |
不和它 ...

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
4 y# _% b: v4 L, x0 f4 f" w( }6 zvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
  J$ |3 i% M0 ]7 E( k{
        comp temp, xtimesy;

: N6 y* T8 W8 k4 Z" T, u/ W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。