C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
2 i* T( q. {2 c. P/ H3 E
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。
$ `4 V% Q7 Y8 X5 P- j
0 v- a7 y$ }$ |1 ^, y6 b# _3 O速度优化问题真的很有意思啊。
! D3 T4 V+ ~; D4 P% Z
; {/ X" r$ R" p' S  i欢迎大家继续讨论

数值分析

拉下来？拉多少？
9 o; ~1 W0 i( w% m$ X* N3 T把代码贴上来看看？

# U( O% `& o, e: P: }1 o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
" I' z* B0 P6 M# Z拉下来？拉多少？
把代码贴上来看看？

  G7 @# B! L1 _' o- l' gvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
$ {& k# F% S, p6 X1 E        comp temp, xtimesy;
9 x" X( Q& Q" ^7 G1 [* n  o0 j        xtimesy.re = 0;
        xtimesy.im = 0;
0 L) n& v2 V0 u5 s- X        int j0 = lenB - 1;
/ v3 c! m# I! I. F- Q% A% G        int    i, j, i1, reali;
+ Q$ x7 F, Y; q2 p* o- U        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
, O& a% N+ L1 U3 d4 N5 }# f                reali = lenA;
* n- \) l0 d# `& A  O9 b5 ]        reali /= 2;

8 ^" w- F' M" e! c+ w/ a        int nconv = reali + lenB;
$ m- z/ q! ?& r9 V  G! o; q" T        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
! U# r5 |" k7 x! i  p+ V' U        {
$ Q) \( x4 d5 E7 b. Q                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
8 t; R. I% A. v% H                }
        }
}

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。
' e" x/ B9 o( [+ w  a/ k2 E0 `现在call xcorr 100次，耗时78s.
+ b5 A. n! i! ?8 h
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

0 Z3 |2 Q$ K2 _& U  k  k: f

雷达

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

( Z' p3 I4 t5 g' u% \3 g
- ?& q4 p2 S( a7 t- q7 ?7 _9 y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

2 C+ R5 R4 K4 T0 e2 F, U5 r3 X

雷达 发表于 2022-9-24 23:54
: \; P% p/ W0 Z+ T2 bvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
- W; c. @7 T3 b( r        comp temp, xtimesy;

$ Q4 e* f) J1 g8 v3 Z* Y: Q
. W/ B5 j% J- g2 D7 f这个不是这么比的吧。。。

6 h! h/ @# Y4 Q% d- |! p# }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。。。

+ Q5 k& F- 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）。

% ?. ~7 T+ w: P" {0 _" t2 u2 N
4 {5 H& P& o8 f) T# p1 v; L9 R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
有道理。
$ Z7 X4 _( [: q, v3 S6 S, {3 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，这大 ...

  p! v$ X# q5 ?3 g4 k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。。。
, r) f8 }; e7 A9 |
2 S  `8 [2 z. k+ x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

, L  M# C7 s3 \9 I+ 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

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 ...

. X3 w% R: G, F2 R
- B. ^0 ~; i) a' T2 W是的，兄台说的对。
. B4 |, _! {3 r
0 Z9 j) S7 i8 F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。
& L, K* N! v3 k/ E/ _$ t2 P
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。

1 C0 c. f* K4 A: F0 i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。

, a. j3 Y9 Y1 Y0 e5 \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

3 G& s4 x! p$ S3 i

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 ...

% u0 X, S* x/ \
& v7 ?8 s9 H3 x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。

; ^5 `) V1 B! A& k我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
7 T% Z. N0 ]' j* O3 Z4 p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 ...

+ N, I! q9 A/ R0 v时间差一倍的结果可以接受。
# r, \4 t1 q- y# S% _
5 z4 n: e2 l. \/ \8 a% D* g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 ...

. e& }6 b9 A- P$ W( R

1 F+ n, T. @+ \& a% @8 e
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

9 n3 R6 A  R  ]. y* g# {  {4 S

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？

) c. N8 X; o* `% Z( N% r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.
: V2 B8 t6 {7 m4 [, V5 P3 r
内循环试了4种方法，
6 g% f# m" I  h+ }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
5 G# I3 C& E6 n+ d7 I, d" `4. 空循环 100000 次 202s
8 H" Z& `% P: `7 W# `
- D- e0 j5 a8 e5 q* Z0 W- L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。

* n6 g5 g# @) R- w. T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）

9 Q5 ~1 k3 G3 \" Z: [& J（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）
8 T" \5 p+ |; X  T

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
1 v1 O/ Z" ]  ]        float* b2 = new float[N];

4 |! O3 z" L  e' H* C7 [' K        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
/ S, d$ B' Y2 x0 r                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

7 a* S5 {- S- r8 p                std::generate(vec2.begin(), vec2.end(), []() {
9 p: c2 m5 j" y6 G5 h4 c% X                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

. w  [1 [1 G! D# W* p" Q  y1 X                for (size_t jj = 0; jj < vec1.size(); jj++)
# v/ M" r1 b/ c( W                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }
- H8 k- t0 F" n( T$ o) N
                //Method - 1  N=100000 247s  
/ S) {% r0 s# P: g7 U                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
  i3 f( f4 b- S' n) X: y                /*
                for (int jj = 0; jj < N ; jj++)
                {
# p4 U! }% x. C% U) [  r                        fresult += vec1[jj] * vec2[jj];
                }
                */
- s) G( C( F7 {7 Q                                
% f# A7 D0 m) L$ R1 s4 D                //Method - 3  N=100000 204s
                /*
1 C6 `/ r2 k8 E/ ~5 K                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
" {; t( n% O3 d/ Y, ^; h8 A  F. v                }
                */
) b# k9 [3 j9 B# \
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
0 A# w* k4 o- Q$ O0 Z9 N& i: _                {
( h/ g' d' p7 X; Y6 I) n                        
                }
                */
                //comment out all methods, N=100000  202s               
        }
0 w9 X$ J0 ?1 r3 M5 \
        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？
0 V7 r# Y$ T3 n/ P* L" t. J
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 ...

1 h: P7 Z, a4 J7 |2 |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

, I; n5 [; j. A& e  e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

8 R* [. R. ~3 R* y4 `$ ?不和它 ...

! I! q% {2 ?* C6 `/ n6 J. F+ B; m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。
; B& m7 w# |( H2 |$ p0 K) n4 H4 f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)
  P9 E- g! w- l8 Y{
. {) ~( ]4 [# e! _8 O  Q        comp temp, xtimesy;

  \6 t8 C3 u2 f" \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？
1 |1 t" y4 ?% B# V" T* mVS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。