C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
$ ]! A8 A% K2 H
. h2 R& m) R+ t8 J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。
7 C9 i# d; P# n
速度优化问题真的很有意思啊。
, u0 T" X2 w* V7 b, R0 T
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？
( b8 i# [9 C3 t1 x
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

) I4 _7 D% V8 P% c/ s* C& s' M' Q: A

数值分析 发表于 2022-9-24 23:04
2 E. `! x2 l8 A拉下来？拉多少？
把代码贴上来看看？

+ R& Q4 b, e: f9 C( ?1 |" J; V
( W( \/ [* ?' S. _: s8 t- c% pvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ _  K2 i- w6 h1 S{
        comp temp, xtimesy;
, A' p; l. s' o) @1 N& k0 c! B1 _        xtimesy.re = 0;
        xtimesy.im = 0;
. R1 s$ z( }; @7 V' P( J; N& U        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
& E2 R6 V+ c  z2 \4 K                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
0 G0 X' A& m" J( F/ Y0 G4 [( ]        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
% d/ O. a2 C7 k0 i9 @                temp.re = 0;
. m% W4 }& T$ e2 H  s( U                temp.im = 0;
1 [9 s) b* {/ P- N' d  w' i                i1 = i;
+ o6 e- ?9 X- |  [' j                for (j = j0; j >= 0; j--)
. R: i3 i0 D/ {$ L% B                {
- k- [) t! |- G                        /* 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
. Q% j! W; b, T7 H+ L  h. O
: S0 q! a! N$ d, I  x* A红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
: M, p  q% u+ a8 M# K2 t* {现在call xcorr 100次，耗时78s.
! U" u; ?- y7 n3 ?% e
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
9 ?7 p! |  h& R& [' i9 I

雷达

风雨无阻 发表于 2022-9-24 23:33
) Q- E) B& c/ g3 V+ pMaybe Debug mode?

' m7 E( W' M2 X, @8 b. O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
- Q1 i. D2 D6 fvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

8 |1 r# F+ l# S
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）。
* V/ R  ?' z9 _8 Z# l
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。。。

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）。

, S: l( B% E- A/ z6 h- K
$ F6 I' x- _8 I有道理。
+ U9 l8 Z% m3 N6 [6 b9 f6 n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。

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。
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
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
这个不是这么比的吧。。。
9 m& p0 X: z  T; ~+ U0 \# E' c: c6 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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

  E2 R: c; P. 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

沉宝 发表于 2022-9-25 01:48
, E* O3 d) M+ C$ k* x. F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 ...

7 B+ }7 F' c: I% h  y是的，兄台说的对。
  `* I; X1 Q% p) {7 n
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。

( U) h' C$ _- L/ N( H7 Y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

4 E8 s3 i$ {7 Z/ T5 V

沉宝 发表于 2022-9-25 01:27
3 ]! s2 W: _3 J8 }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 ...

9 D/ X9 v" r4 _! z$ r, e' M5 F
7 R6 [) X1 B" Q- S/ [% c) |# W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。
7 W! a4 k- X7 U. Y4 j! Z; T
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。

* U6 X' Y; b+ I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 ...

) ^4 U: V4 h9 m; e" `% W8 k
3 ]# |0 e* ~" b  T9 v) l
4 R% L- p4 ^+ e0 E( j1 Q! \7 w能不能把这个也贴上来，看看和上一个有什么不同？

雷达

( l7 \: M, L0 w! g- |

数值分析 发表于 2022-9-25 14:58
: W3 y3 w, y' i6 G6 `1 ~3 h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。
% K( H2 E& C) ~6 c; ?做了两个 vector 和 两个 float *, 都长 100000
3 j, z9 H8 @* |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.

, y8 u8 A8 B& Z/ J内循环试了4种方法，
1. 直接调用 vector inner_product 247s
: A4 H; J" h* r$ B2. vector 循环点乘累加 237s
  [+ ~+ ^* h( g. ?8 V# m$ [3. float * 循环点乘累加 204s
9 t# f' R: b# p" c8 E, W4. 空循环 100000 次 202s

" c& X" O5 q/ S不做内循环 200s

5 A4 `! L* {7 N( g你昨天说的对，内循环本身占比是很小的，大头在其他处理。
& b; h0 p  M9 Z/ k: A另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
0 n2 a& p" o" f" t+ Y4 A' c
( z, ?7 O8 z# c/ G# U! j$ p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）

" W: C; x6 K3 `* L) O8 S

        std::vector < float > vec1(N);
- `& |7 Y& L. C; `/ _9 ^        std::vector < float > vec2(N);
( i" e7 s! d: d. a        float* b1 = new float[N];
        float* b2 = new float[N];
+ |2 u5 [" w+ X6 h5 f: q7 x; d
        for (int j = 0; j < 6000; j++)
        {
: A0 c. T8 X: n. k+ K3 t9 ^3 x; `                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
% P* R# Z6 ]: ^; I6 B9 j0 J                        });
, v9 f) y" g; r, O' w
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
( [. Y2 r* X9 e5 o
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }
# ^, N  l* T/ F7 U0 S
                for (size_t jj = 0; jj < vec2.size(); jj++)
* C5 r8 u$ I& Q                {
                        b2[jj] = vec2[jj];
8 E$ x1 f: Z' B, {. B# {! H                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
7 W+ [1 J) j7 Y                                
: S" H- t, \/ s7 d# n2 x6 m2 o! C                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
; D- I2 G1 `% z. G. G) Q" Q& D                        fresult += vec1[jj] * vec2[jj];
                }
                */
8 m* Q2 r# [8 x; w0 D3 ^+ K                                
  S6 D% b6 i1 v. V* }0 {                //Method - 3  N=100000 204s
3 Y* J: m( _& M7 M; j. W                /*
) e2 W' N- _, v. l" x5 q0 u                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
6 k% Z' C/ m' e( v' s/ s( m                }
                */

' Y' h) ?, L- j2 @3 C9 s                //Method - 4   202s
# ^4 R# u. l4 ?" b( D0 }                /*
$ i7 {. |6 O! k6 p                for (int jj = 0; jj < N; jj++)
                {
                        
+ g( C0 r: N" E" q& v& z5 c- N1 K                }
                */
* }# D7 v+ v4 p3 v- W                //comment out all methods, N=100000  202s               
6 h! j+ O0 x5 J8 f0 n        }

        delete []b1;
        delete []b2;

) G8 g4 G+ \$ t3 N8 P1 M

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？

' u2 q! I2 O; D$ o& H7 {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
. s/ B: K, O6 W; {: f0 R
: C2 E0 @3 J! P+ S. o" G: }( l& }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
6 R+ \7 x. v, }& p) s1 L& o; x
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。
. b5 m/ E) P2 A' U8 f0 ^8 C/ Q4 A2 \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
  B  U) D/ S2 Q8 D/ vvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        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。
1 }: m1 O) v2 {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。