C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
( x; \: |% p5 b9 M0 _
8 J  Z1 x  e0 q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。

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

+ h4 X! |3 l: x8 k

数值分析 发表于 2022-9-24 23:04
, Q# D9 {& O4 Z) X( q拉下来？拉多少？
% O, C; I7 h. \: ^& n: `/ J; I把代码贴上来看看？

& D3 n# K( x* U# r
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
' z% w4 X+ r  _, v5 ]6 v        xtimesy.re = 0;
7 t1 \! t' ?' Y7 i" ^) u' F7 T        xtimesy.im = 0;
" I$ Q9 Z7 G# q, O+ `        int j0 = lenB - 1;
        int    i, j, i1, reali;
9 b" B; Q% e2 e$ b& Y% h' z/ L0 m! z, X" O        if (lenA % 2 == 1)
                reali = lenA + 1;
9 j% |" Z5 X, B, D4 j1 C        else
+ }+ z8 [' ~! I3 k( C. H, z! Q                reali = lenA;
        reali /= 2;
3 S9 w1 \2 h4 a- R
& B, I' N3 @, I3 N        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
) \- l& V0 _* [7 F4 B- a- [9 h/ q; g                temp.re = 0;
$ C8 h' u) \* Z' d8 M                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
1 J2 O: Z& N- ?, M9 f* C) b                {
! y5 r; X3 V8 k  f                        /* floating date operation */
5 R+ j* u3 U5 g' C                }
! e$ z5 p4 s$ q+ f: |        }
! B# J  Q) t9 @( {1 X% Z}
; B  N: k, Q0 `' h; r7 _8 v  u/ }5 R
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。
现在call xcorr 100次，耗时78s.
# d! ~. w# w' B# 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 L9 U8 b/ H" Y

雷达

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

不应该，看我上面的回复。

$ A1 E6 \  A  R, M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)
% r5 _$ h! v" n! W6 K{
8 `$ S; ]& U7 @% P2 X7 ^        comp temp, xtimesy;

6 ?& x* d4 V. Z( T* N这个不是这么比的吧。。。

3 j# P, e/ ^, S8 P) v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）。
% e3 V, f4 Q  {
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。。。
4 x7 j1 q; K& R7 o$ B8 M0 t- W
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。
: ]& W3 l) S' W( X, H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! |# ?; N" @: q! y( p
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 ...

& E$ b5 J: f: i) f  o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
3 p: r3 ]9 z! Q* U" T7 r  r: e这个不是这么比的吧。。。

7 w% }: A1 b7 L8 ?; j& I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

+ s1 g" \) _' H) ^
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 F+ B. ]  ^% c9 n5 B

沉宝 发表于 2022-9-25 01:48
4 S8 [% }& l) g6 M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。

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。

5 T8 S3 \' |& J' h+ 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。

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。
6 U' [7 ^$ `+ [# _/ u( P# {0 s
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
2 t/ Z% `% F  i) Y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 ...

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
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 Q5 N2 f3 T7 Z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

雷达 发表于 2022-9-25 04:47
1 Q7 b& n! h+ S) \6 A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 ...

& S/ c! |( }# A9 c1 R% e
2 g( V( \: e. ?" M& D
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？

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.
' L7 S- k" K& ~6 b# @6 T
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
* F* t& g2 ~# ]; N2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
$ d" n- V" G" }5 o0 ~4. 空循环 100000 次 202s

$ y2 M8 G- _- [$ ?' p& j不做内循环 200s

' [; C* A+ ~. V  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。
  u9 q% X% o! ?/ i, j另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
# k1 i3 e. u+ k& ^8 P# I" |# Q
: }4 Y% Z9 i% h. U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）

" P7 z4 o9 ^6 @6 V2 Q: E（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）
4 ?& m8 Z2 I3 U" \4 T
9 K+ t3 G: w0 _( D

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
- p3 p8 ~! z. r  t        float* b1 = new float[N];
        float* b2 = new float[N];

        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 ]6 P1 A* P# o  G$ a) ~% ?                        });

                std::generate(vec2.begin(), vec2.end(), []() {
  k7 W: S$ |4 w" U) T                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
. F) |+ H7 Y9 R
9 @( o$ h/ ~+ g/ R1 [                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
& H6 s, |6 c2 v$ ]" v                {
& V. O5 b. ]# V2 W, _                        b2[jj] = vec2[jj];
3 y# n: t3 ]) ^5 c$ H& [3 e                }

" c1 F8 ^! V' V. \6 D                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
( k& H2 t. q& }8 O0 j9 V                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
                }
- f% h2 _6 t+ {                */
1 E! n1 h+ y( F! @" f( J1 a5 a                                
$ I1 f; R& S  @                //Method - 3  N=100000 204s
7 w0 P% H& d4 f$ F" z( t7 u: [! a4 j                /*
                for (int jj = 0; jj < N; jj++)
6 f2 H( l* ^5 F) E6 ^                {
) j! y0 [( J* q4 P6 t                        fresult += b1[jj] * b2[jj];
                }
1 y) T+ m3 K5 m                */
/ P  a4 w$ @9 u# e7 Y
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
+ [) d6 a3 K5 z9 i- F4 j# X                {
9 `# M' ?; _1 F. x' Y                        
                }
                */
* X% q! _4 h3 |( \- W) P0 P                //comment out all methods, N=100000  202s               
        }
1 c! _! g1 o# Z9 a
        delete []b1;
        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？
% _6 ~( ?6 q" o# T  m6 p

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" Z# K' v$ d& X
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
) g8 ]: d. y; {, \! W' ]9 h: G: A/ W
, p$ j! Z. [1 @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
3 b: t) ^7 s$ u( u6 {3 a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
. e7 Y" M5 S  X: w3 y7 s9 A$ c$ w
不和它 ...

3 O- S1 Z, v5 T0 V2 |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 r! w: ^: J3 I1 |6 y5 U( |void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
: R% y' l0 _0 x- ~8 H{
& S- |/ D! _' J/ X! M' ?        comp temp, xtimesy;

- _+ V* ~; m/ S6 l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。