C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
  x5 K3 D& [3 e; E/ `
& s+ \. {# @4 o8 Q, t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。

% Y/ P$ N! u" R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？
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
- C$ R7 R1 L/ e! n拉下来？拉多少？
& o, w2 f8 G4 e; ^把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
! k9 R" R9 _* D        if (lenA % 2 == 1)
! A* F4 h7 X. Y5 t0 p                reali = lenA + 1;
        else
                reali = lenA;
" n3 v) u! }2 V, a- q        reali /= 2;

        int nconv = reali + lenB;
; P8 A7 C& ]# f0 _5 u6 O        //#pragma omp parallel for
0 e# G8 ?% }9 L7 F2 z        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
9 C8 L2 p1 {+ n; k- c6 t& N2 f( ~1 w                temp.im = 0;
# Q7 c; {6 _- v# q                i1 = i;
1 r$ N9 \/ R- \, |                for (j = j0; j >= 0; j--)
9 r! m- ~. o. h                {
                        /* floating date operation */
                }
        }
}

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
" V, R  ~! l8 o4 Z" r9 E9 z
1 R$ v. v% E$ y/ P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 J: J! I1 b8 X0 v! s现在call xcorr 100次，耗时78s.

如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
* r9 T1 H/ C( ^6 O5 h% K9 D4 N
& F% ~; J1 x- h/ w+ i& P! \9 ?$ Q

雷达

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

: u2 G( ~  w% e8 X% {
: ^. A1 R! N5 K7 r0 l5 g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

6 {' o/ C# i% T: t. S

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
: u5 n- Q5 f4 l- e: A! _- z. R{
        comp temp, xtimesy;

- R+ c4 Y5 W; {) h; a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）。
% [/ }; D! D" Z* b+ l
, l/ c6 J1 R% [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

3 E3 M: V+ r' h/ e5 T7 n

数值分析 发表于 2022-9-25 00:20
9 d% y2 J1 }; S; m这个不是这么比的吧。。。

; V% Z' V' O1 H. O- n3 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）。

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。
- w( A. e5 [. s. r, B
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
4 J" M: ?8 A& E+ S! H1 h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
9 A" B3 J  a" P4 j& e) \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
8 [9 B2 ~) t. c9 O/ [; T' u1 r/ h- i这个不是这么比的吧。。。
! p8 {. i$ ^& p. l7 F2 G" ?/ T: [
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

5 B( P& V3 X( k7 z; m# X! Q2 O  `
* ^6 }. W% P$ t+ W0 J. ~/ k' p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 c1 g3 a! [! T5 v& d9 O

沉宝 发表于 2022-9-25 01:48
0 E- N( S! u  b0 }1 A7 L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 ...

# I# |3 p) ^: \' x4 `/ l是的，兄台说的对。
7 W" h- i/ ~: n9 l- o" _' E
# C. u2 z  t: s' ^+ C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。

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。

! C% y& E: U1 U: F/ M0 b: G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

4 y  O$ M; {1 \, x2 O7 f

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 ...

3 u" p# m) t8 r( l5 {) 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，时间差一倍，我上面这个差的太多了。

& D( \; q& f& C; T& R* f3 k我已经完全懵了。

沉宝

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 ...

时间差一倍的结果可以接受。
- j8 I6 b9 u3 J& x* J3 s
/ o& e4 y) h! z! T% B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
9 M9 e5 U0 f" D2 b4 s+ v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 ...

  u7 p; Q- f0 Z+ i能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* n& |+ G# o5 p* M) z6 C6 Z

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。
9 ?0 ]! v8 h7 |3 \4 m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
2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
0 y0 J5 U" {' T1 B/ g4. 空循环 100000 次 202s

# Y. T9 @- O" U, k# G' B4 F1 i不做内循环 200s

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）
; k7 x8 N- h4 u# x# V( i4 h* A
/ M  l+ X* G* ?& Z) |（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）

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
2 m2 }# z! _5 X' q/ t        float* b1 = new float[N];
        float* b2 = new float[N];

3 M" F6 U9 C$ H* ]        for (int j = 0; j < 6000; j++)
        {
, @1 M$ C' c& U+ q5 i0 p/ C4 n                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
: Q; N& c0 ^0 w+ {* t% W                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

  G) H% S/ g2 }                for (size_t jj = 0; jj < vec1.size(); jj++)
) J' B9 M0 ?5 h7 F0 x/ X# S) U$ \- a                {
! ]5 W, ~9 k8 ?/ E- @                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }
! j# A- n. Z8 w' x* A$ S  G
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
( M1 {5 x2 Z9 m  B                                
                //Method - 2  N=100000  237s
5 N2 v( @& U7 T! ?" @                /*
                for (int jj = 0; jj < N ; jj++)
                {
6 u: M4 I# c6 c4 w                        fresult += vec1[jj] * vec2[jj];
                }
+ E4 F  y9 t( [                */
                                
- H8 Z& j7 z4 N- Z9 l                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
0 K& @7 Z2 x4 `0 i! N) ~                        fresult += b1[jj] * b2[jj];
; M8 f& g2 z, p1 z5 v& H" M                }
                */

( J7 F& G, O8 ^8 z7 j( d                //Method - 4   202s
& U+ Z$ X5 M' L- b, m! P* y                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
1 B/ j8 C7 n) ?' H* b                }
                */
                //comment out all methods, N=100000  202s               
! _7 l/ r# b: {; q) W        }
0 p, W+ ~. v/ ^+ h. t
        delete []b1;
        delete []b2;

$ m* h# b; r# V1 p3 c2 [

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？
1 W# G8 v. i# ]: P( I
6 _& g6 `3 K$ l0 p) ^, W; L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？

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
/ q4 X* M! y" {. S, B
0 f9 f8 w6 \% ^  J/ B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 ]  i' Q, V. v, |: H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

% G4 d: o) n& m( U7 u: R2 P0 g不和它 ...

1 d+ c. ?3 ?/ J% D
5 q6 ?+ h0 y$ Y; u: z: ~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。
' k: J) W- z! u8 d& S8 t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
: [' y& F6 s  L; |void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
% H9 L2 m- e# b' R0 X9 [& @{
6 Y* O- ?+ b) s        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。
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。