C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
& b, Y# H7 o3 y$ R
9 n- {% r! [) Q0 j9 Y% b* q2 S1 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。
! L% B9 l( L' A& x, |* z% |
- w2 G5 L& |4 @7 [, N/ e3 H% E7 Q速度优化问题真的很有意思啊。

* R5 s0 U; J6 Q; A5 W0 g欢迎大家继续讨论

数值分析

拉下来？拉多少？
5 J& i( k: U; F' w+ Y/ u0 G把代码贴上来看看？
& W$ e: B' E0 p% |
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
拉下来？拉多少？
把代码贴上来看看？

0 r- _" l2 T8 ]/ @! n
$ ?, E- n* _/ }, jvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
+ J" p! Z/ p5 s$ z  k1 f        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
: L3 R9 Y2 q$ ], C# }                reali = lenA + 1;
0 @( `3 P  m9 j  ]# p. Y% }        else
3 U7 x+ ]" ^8 {. b& m                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
% Z6 f, s3 r: s2 f/ t3 _        {
                temp.re = 0;
1 s  m% x8 W2 X1 d, b$ t- i                temp.im = 0;
                i1 = i;
, b6 P3 e5 n( X( p                for (j = j0; j >= 0; j--)
                {
; ?9 G( {7 I- `) v$ M. \2 Z$ q                        /* floating date operation */
                }
* d, R0 X+ |; A2 h5 N! \        }
}
, T; Y6 {( `  W- C
( F% b% w; ^  y  @! sxcorr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
# f/ t1 B; e. j
. B) ^: B7 f0 S2 W2 A; j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.

如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

, x8 F) `5 M! \- H+ X) C

雷达

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

$ ~+ P8 Z+ t2 j
+ `/ _2 Y# g" [& H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

) D/ [+ D) z" o2 {9 T

雷达 发表于 2022-9-24 23:54
2 H4 {" p$ |2 j0 G; [void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
% Q' p, }, @, i, @* Y{
        comp temp, xtimesy;

% Y+ V) ]: h3 o# `6 g% \! [
这个不是这么比的吧。。。
; [3 U" h) G5 i- z+ K! {
: P; f! w: S2 [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）。

& j6 }! K. g4 j7 l% y4 ]* f  {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 y3 T2 s) u, P* t" }

数值分析 发表于 2022-9-25 00:20
5 ?1 G2 s" R/ o8 D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）。

5 \  O8 O. y9 |; \/ D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。

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
' R5 u9 d4 L9 S, q7 h8 i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 ...

# |2 ^. ?7 o' V% h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
- j. t3 y1 R. q" D) }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

9 X+ @+ u# [& }* k5 \# Y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 ...

0 R7 W! ?* b/ V" G. Z' {
" D' ?, Z1 T3 O- ^% L( ~' h2 y7 X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。
: R! J6 A. ^4 e6 T) u. @
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。

& ~4 t- r$ V# l) ?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
; x4 B8 L4 a7 l+ Y' l9 m( k! w  u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。

$ T6 {8 ?, M' i4 n  Y我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
5 K9 g4 P' y9 V4 {3 f0 s* G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。

# ?  W' X$ f8 d) ~% p8 P1 i. V你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

2 Y: g/ W9 }% A: 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 ...

! z  |7 Q1 p! W% V6 w1 }
4 Z& b) w  D5 v& D# U* }
! M9 ?; O# C, M& t
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
5 T& P  y  b. {. [. [0 C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.
4 e( r  V2 K% d+ @9 D8 P" X5 O) K
! y' ~5 B* i6 u) j0 b0 i内循环试了4种方法，
" X* g) {0 |5 Q1. 直接调用 vector inner_product 247s
8 v' |- k7 H0 k9 X; z2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

" ?$ H0 `5 i- y/ ^# o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。
' P- x% e& D( @) V( y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）

( U# v9 L; K0 m( E4 [  u（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）
$ G( {) o' a/ |; N8 ^- h
9 Q1 [2 p  g8 B6 Q6 f

        std::vector < float > vec1(N);
, _0 @) X2 h  ^1 G        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];
2 O/ ~- V/ B, s9 b/ |- J- m
( @0 e  h7 ~. z  t+ M. K# c8 }        for (int j = 0; j < 6000; j++)
% l% [7 w7 q' K2 y! L* x7 m8 g        {
                std::generate(vec1.begin(), vec1.end(), []() {
) Z! ^; j* C% j0 h  j: M                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
0 V; a/ U8 ^! ~; ~( ?                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
2 V, o, v! }* y                        });
- X* ?. V* E. S, g0 g- h3 z. @
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
" f. ]$ q; s- p" z- Q, i  g- V1 O+ {                {
                        b2[jj] = vec2[jj];
) r! D. l( z6 T2 J$ Q3 e' |/ U7 a                }
( f& _* A2 ]& N: z1 [* e9 e: K- l
% j8 E1 f/ b  z, b. [: f                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
/ E$ T& ?) o& ?' a' R3 R                                
                //Method - 2  N=100000  237s
- c, a1 W, G. i. R                /*
                for (int jj = 0; jj < N ; jj++)
3 Q: d1 J" e. f: V4 `5 Z0 P' _                {
                        fresult += vec1[jj] * vec2[jj];
9 V- u5 ]. a2 x5 x$ Q2 g5 c8 E                }
                */
                                
                //Method - 3  N=100000 204s
                /*
% \. s" y4 d2 p, y+ p  {7 T                for (int jj = 0; jj < N; jj++)
                {
8 @: K1 d, w9 T# K' {! q                        fresult += b1[jj] * b2[jj];
                }
                */
( P7 `" P$ ^4 u8 g$ l
                //Method - 4   202s
                /*
9 t) L4 d3 _% M2 P                for (int jj = 0; jj < N; jj++)
" T; b1 F% L, ^' {) b5 P                {
                        
: r$ w0 F6 ]) u  p; p                }
  x. j5 m4 Q- w. q7 y' l                */
6 B7 V( c- t5 s1 B4 i6 O                //comment out all methods, N=100000  202s               
        }
" w% Y2 e, x; s. H, m. l$ z
        delete []b1;
        delete []b2;

2 C/ a7 I' C1 e/ D. _. |

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
$ p& h. y" n! H3 ^% e) r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？
$ T( _9 N) n; \/ `8 @
你第二个试验里面的j在循环里面又重新定义 ...

% Z4 w/ p* A) X$ H( U$ w) d: S: c7 j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 l' L1 H8 G9 j" S
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

1 Q, H) A* {$ g; s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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
( F& T! a, D# A$ S* b. e        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？
& P2 \7 j) H. I; z: yVS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。