C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

3 p; T# Y: {2 m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。

* b+ v% U% H* j' D! q: {- [& X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？
* ?5 [, I. m3 K( N: Q! ?9 n, M& ^& Z' L) V把代码贴上来看看？
# v% k) Y# U% ], c: n
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？

, X* K, K4 N9 V* @' C6 n
9 X8 k. F  C0 ~. ?void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
$ u# y" r3 r' o+ a        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
. A# k! y9 z3 T; r7 M) O& P* p        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
5 M8 G. i2 I4 A3 B        {
  x9 X! P& A3 K+ I4 {: c# y                temp.re = 0;
. \1 d" {3 ?' U& C                temp.im = 0;
                i1 = i;
& [0 T9 M. u) Q, I( H# a% j  U4 e                for (j = j0; j >= 0; j--)
. ?: y8 W( `" L                {
                        /* floating date operation */
8 b, H$ g. U$ r! Q% G3 g5 \* y                }
5 q" X- E, e/ k7 R, j0 _9 a  d        }
: H$ D  X: ^: @1 @+ C}
3 u, |# t% T$ E% h2 |* O/ I
9 H- p9 T+ N5 }/ F  K; w3 \# bxcorr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。
% T- t: ~5 e2 ^1 r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.

7 I- Z) ^& B0 k% v2 u# A

雷达

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

) D* }+ ]& r9 {- 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

, u% M* `# W8 c

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
8 N9 [6 e- `' s, x+ F) }{
        comp temp, xtimesy;

5 Y' F# t: ~0 O2 b这个不是这么比的吧。。。
4 H; H8 d2 l! z# k5 `  b& d" U
5 F/ d0 M: ^; f9 a3 [8 I: `* B& 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，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。。。
) A5 m" C/ x' P* F4 p  i5 p0 t" j1 x
, z) l8 Z# K( ?, J' T7 j" l" Q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。
! t" y6 Y) R9 R/ R4 l; I; a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。
( r. R' C2 D9 ^4 o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 ...

! r" m. `" I2 [. d9 B* [5 E( D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。。。

4 ]( N4 Q- f0 y7 P& c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

& N/ U% w# P; K! d$ k  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）。如果循环这样跑，花不了多少时间。

数值分析

4 b: h( q7 R5 B1 A* }" N7 Q$ v

沉宝 发表于 2022-9-25 01:48
! @! h- [3 O. O4 U; g5 _, U* o; ^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 ...

- n: A" G1 f7 E/ h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。

6 V% F9 X# P% V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。
0 Y9 `! v1 M: H5 b7 o7 p
: Z2 ^. [* H! s2 P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

* i. a% G9 K8 r* |: v% J% V5 _

沉宝 发表于 2022-9-25 01:27
  ?9 ]# G: u7 m& C  P5 p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。

' O  C' H! e0 q2 ]  _8 W6 O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。

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 ...

% @6 m. A( W) D! p0 \  ~


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
9 a) X, a# J/ T3 Y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 E" M& D6 R# g; `" s1. 直接调用 vector inner_product 247s
$ j* {- u) Z" {0 x2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
2 f3 T7 N8 O# |& J- H+ N4. 空循环 100000 次 202s

不做内循环 200s
  t5 r, G4 w5 k* ~
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。
/ G* c1 A. n% |( ^! r& E5 i
- ?8 \+ D3 G; e2 w+ v6 w6 V. ]  [+ k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）
0 {& i9 w0 z3 r& ?
（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: l6 j* d5 P. {+ i
4 G! R' n' O7 T- ~) \, R8 B

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
; X  E+ x2 L0 W        float* b2 = new float[N];
* w/ u7 s8 O# j9 g
- x: A; }: W9 X        for (int j = 0; j < 6000; j++)
        {
- S5 D! o' I- y/ t9 `: a                std::generate(vec1.begin(), vec1.end(), []() {
5 _! t5 ?/ R! v9 S                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
3 r. M2 f+ x4 a1 v* J) e                        });

$ H: z0 v1 F* P% l/ c( Y9 e1 G, `                std::generate(vec2.begin(), vec2.end(), []() {
+ K, M. H5 v/ Q$ {  ?! j                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
% a: P4 F) u! V" b2 ^+ G" y                {
                        b1[jj] = vec1[jj];
                }
% `4 C, \+ M5 Y5 z( I
                for (size_t jj = 0; jj < vec2.size(); jj++)
$ l9 H% F" a) t) |" g2 g/ G                {
1 i# c8 Z2 k4 G* p                        b2[jj] = vec2[jj];
+ [# N# D5 ]& H2 Z. N8 O' ?" y# ?3 I& a                }
/ m1 J6 H; a0 ?
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
  Q6 [. |. H+ Z+ H6 I2 y+ D                //Method - 2  N=100000  237s
7 Y9 y9 }6 l6 V; j1 x: k                /*
# k  Z" [) o4 m0 P( z8 J5 z( a                for (int jj = 0; jj < N ; jj++)
9 A8 J4 J# A! `6 z1 m                {
                        fresult += vec1[jj] * vec2[jj];
                }
: H; ]8 @; [- T3 L' c4 S3 J                */
                                
1 ]0 x- |, w8 ?8 Z( V                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
                */

                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
# C$ o9 @* I  B5 q/ L                }
$ f. F3 ^% a0 Q; S                */
                //comment out all methods, N=100000  202s               
' b- Z+ `8 w) T* R7 `/ B3 M/ m! L8 X+ T        }

        delete []b1;
5 Q$ T+ i% d4 F( ^        delete []b2;

0 q0 K+ P0 h& ^: z  M- L& c' C" {! L

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？

+ z) `8 U2 \" S: M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？
6 o  W+ x) @7 q& Y7 `
  T) T# c: W) n5 \) ?8 ~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

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

不和它 ...

: O5 t  W" e- {& l, k
  F6 s4 m8 Y) A! G. i& V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。
6 y# H! G# R0 \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
9 ?# C/ P! C( @6 Svoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

% l+ J& x* ~4 p  b  z  c  ?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。