C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
- u2 c* w4 U! w: h3 A
& P! r) |& q8 K* W( y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。

速度优化问题真的很有意思啊。
" q$ W& n/ ]) S) `: o" B4 B% D9 o
. ]0 c- w1 Y% X- \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？
) S" e+ z  Z. [. f5 `2 x3 ^( k5 X
. K9 l8 N, N% \5 [! r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

6 A% |6 q8 i6 P7 f

数值分析 发表于 2022-9-24 23:04
9 p! F5 ~! q* s拉下来？拉多少？
, ^, c( j  Q& w5 H# m把代码贴上来看看？

! m! P% C& u8 u1 N/ G
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
* G3 F8 n  c7 z/ @, L        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
; K1 E5 h1 c, U" f1 B" d4 }        if (lenA % 2 == 1)
$ z6 {/ F0 P. b                reali = lenA + 1;
/ Z$ S, z( {: X' F$ e2 V- h        else
. b- q; x8 f; A3 R$ w( H                reali = lenA;
        reali /= 2;
) F' x% @& l. k% Y
        int nconv = reali + lenB;
        //#pragma omp parallel for
6 S) T3 k; s1 \$ K: q% q4 C# E        for (i = reali; i < nconv; i++)
6 d8 M( N; L/ X# B9 Y        {
; _5 Y. E/ t: f2 H; ?' Q                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
        }
}

. M) h9 a6 ?0 R! O, f& Ixcorr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
0 Z. u1 K. {4 p5 S' q+ y
; }6 P) z% e& _/ w' o; e4 M( w6 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。
2 I5 L% j+ _1 A8 a现在call xcorr 100次，耗时78s.
3 U" Z- R3 L: ]+ s% ?# D
( k) p6 P; Z. a5 l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
7 ^1 S7 o3 a$ s8 i  e3 ~% Z0 rMaybe Debug mode?

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

& v: `" R8 Z3 h; N% |/ v3 Z5 {$ w

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;

这个不是这么比的吧。。。

. ?7 Y- J/ @; D: P4 ]1 q" r! n( 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）。

' Y- b5 t- B  z/ ~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

6 _7 L- E* O/ n2 A$ `

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。

; ~6 ?. X- O/ ]2 a7 k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。
+ U8 O" s# v3 ?5 R: v- r" 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。

& G! a9 {) s1 w3 v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。
! S; B5 N8 Q; Q+ v% i' g7 W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
) ?! R  x0 ]% ^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
5 i6 ~9 e; N' I/ K这个不是这么比的吧。。。
% X2 s; n. J- \9 S
: {& k+ z# Y% 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

3 X3 b9 F( l( q% r
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

( ?: z/ q9 Q. L

沉宝 发表于 2022-9-25 01:48
( s1 h) e8 n, L* P4 I# |* `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 ...

( F$ m; B: l5 V- N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。

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。

& N  q: G# k) l4 s3 @0 }7 B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。
& O) A* c4 Y6 r
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 ...

. \( ^$ O" j: T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
: ?3 M- U) 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 ...

4 v/ T7 t" f, p9 r时间差一倍的结果可以接受。
3 {6 t4 _0 p% h% Z
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 ...

' V; T6 d0 I$ d

8 M: N: j5 q5 @  x
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

: H1 I% p/ |% O0 v& C7 F5 D1 z: e

数值分析 发表于 2022-9-25 14:58
3 R8 B. N$ o; i能不能把这个也贴上来，看看和上一个有什么不同？

7 c+ e: W" j4 V( D0 }. D理了理思路，重新做了一个测试。
. C- z- Q0 r& H4 N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.
: e' n" W4 E0 Y
内循环试了4种方法，
1 y: @) v: G5 s! o# K1. 直接调用 vector inner_product 247s
1 I: F- p, Z: d2. vector 循环点乘累加 237s
3 j4 d/ r6 K7 h; ^0 \3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
' v6 C" p& V& b( j6 E" l
. o! z& V8 F0 o  V; N# S  z. r不做内循环 200s
; m  z/ ^* W8 T9 _: k. h
2 C7 T. c4 |( K3 {- 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。
* v. m1 D2 p. Z5 S1 R另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
4 z) S# C5 f0 r- |& c/ x
# T1 q7 L4 D' {' h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）
/ Y( q8 y- C- N& v
8 {: s  `$ N1 f0 F3 P8 K; l4 D（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）
. x) N$ O3 F- @, U; z6 ~1 }

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
. \# p/ E! p  [# u        float* b1 = new float[N];
3 A! |% B8 O- W        float* b2 = new float[N];
4 k. S; f) \: |+ i5 m5 y
3 [) @' S& f+ b$ b        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));;
                        });
! W1 M3 e6 {5 ~3 S
                std::generate(vec2.begin(), vec2.end(), []() {
8 }: W4 f1 d$ D" S1 v; k                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
0 j' g8 Z2 P. B1 F: j9 h                }

. v/ i5 H9 S$ ~# m6 ~                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
( q3 o: D, \# t$ e) a9 e% `                        b2[jj] = vec2[jj];
                }
: H5 K! [! W, N$ u
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
2 x! ^) Z' N; d5 _7 S+ S* w: E# \% H                                
                //Method - 2  N=100000  237s
0 O& Y0 `- n! x" L- g, c( s- ~9 D                /*
                for (int jj = 0; jj < N ; jj++)
% Q2 W0 a; I7 X, Y) N                {
                        fresult += vec1[jj] * vec2[jj];
/ N8 r; e; a! g  \( D                }
                */
2 H. C0 Z6 i% f                                
                //Method - 3  N=100000 204s
, F2 ]5 I9 c. W' w9 {                /*
                for (int jj = 0; jj < N; jj++)
% s( [) Z9 j; h- x& C& ^/ Z                {
( R! b' F5 D! |                        fresult += b1[jj] * b2[jj];
                }
4 D  M6 P. `4 m# n6 k" G                */
3 u( e) }: ~0 z6 I/ n# T
                //Method - 4   202s
                /*
6 P6 x( h) _+ v                for (int jj = 0; jj < N; jj++)
) U8 |7 Q, \& @& {0 X( h                {
                        
8 }7 N- d8 v7 G& X; C5 f( @, i                }
                */
                //comment out all methods, N=100000  202s               
& G$ U, ]& \- Q4 W, `' |        }

        delete []b1;
        delete []b2;

& G0 V. h1 {; g$ W: {/ y3 C

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
2 f7 D: S4 A8 j: b% a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？

3 Y# y6 D2 |% ?. P- T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

! H0 A7 k% w: z/ y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
  U5 y/ o) Q* c2 E: F& ]$ 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
* ?1 D! h. K. A) J* s4 j! [
不和它 ...

8 m; ^" {3 B% y8 e# C
5 b2 M* X5 B2 ?. s1 p9 \! [6 P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
0 r! l$ n6 L1 N1 [# H% C2 L, @void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

0 M, u$ i+ }0 b- G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？
3 q) |6 q4 \* a6 dVS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。