C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

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。
$ o! z2 @8 L& p7 r
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？
  g0 H- t5 Y& t8 ~+ Y
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

1 v, ]: R% t) h0 R1 q4 B

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
9 q/ E- Y4 k) k4 r/ l把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
7 ?1 ~4 }# Y. j) _9 u        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
, o, S+ J  t  x" @* U5 j% }  i        if (lenA % 2 == 1)
1 Z+ ~/ f# a3 B5 Q6 t" n7 b( {1 w                reali = lenA + 1;
: ~9 z* B6 ^$ B6 g) _$ s' O2 S: A6 s7 n        else
                reali = lenA;
3 f, p: M. A* x" c- ~  H4 W" _        reali /= 2;
9 q+ v. _0 N  z! W' C4 J
        int nconv = reali + lenB;
        //#pragma omp parallel for
$ u  [9 J% j& R5 j        for (i = reali; i < nconv; i++)
        {
' A0 v$ n) H; T                temp.re = 0;
3 f$ k, {" N8 C4 \                temp.im = 0;
                i1 = i;
1 _, p7 w1 P! f' f5 d* o                for (j = j0; j >= 0; j--)
7 B, N; q6 s5 \: N9 c0 L                {
                        /* floating date operation */
4 D4 {6 ^) {" S                }
        }
  F# I# F4 y- }}

, V2 Q) |, O8 i4 _5 C. d6 hxcorr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

5 _7 x7 x) \4 p& t$ o! H* u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.

+ H. K- Z) @: d2 _1 p1 u. A如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

% I1 b3 H0 `0 W. n% u. v+ I) f5 m

雷达

风雨无阻 发表于 2022-9-24 23:33
3 Q0 x) x6 c' b# LMaybe Debug mode?

# c4 A( ?& e3 G" K
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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
7 A2 I! B1 ]  Y% ?1 P{
        comp temp, xtimesy;

* t' L8 }2 }" {/ k' j$ v这个不是这么比的吧。。。
5 U  p7 G* ?( O# z0 E! j
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。。。
6 F' |6 i; S  m9 d6 ?2 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）。

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
' v7 u$ b6 G7 [8 c* j/ u2 ^7 N有道理。
: n) B  `" s+ Y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 ...

. k% R& a$ l# 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，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
# H% K- ?' G4 N; R2 B2 dWhy 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
5 e# D" {& E. D, B" `  L这个不是这么比的吧。。。
6 R: P: `/ ^) \8 S  r+ e. G2 E
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

! B9 S+ a+ x0 t( z( R- x  B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
/ c' G6 u+ G4 n9 q5 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 F/ R' p/ F" a. ?' S& ?9 w' K是的，兄台说的对。
: a) {% S0 \4 C
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。
4 D; S& Z- G( p6 O% g
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。
* s) l; ~9 a6 p' n1 `$ z5 b; A
( X! ~: D. C! n( R1 t# ~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。
9 ~7 U4 g/ l8 J! x
2 `3 T) t) z$ Y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

/ y1 d4 P& U6 q0 r; T

沉宝 发表于 2022-9-25 01:27
% g3 z# g7 b, [" w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 ...

% a2 E6 V2 K% j; k* j3 {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。
; D9 j+ Q7 Q2 S8 [
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。
8 _7 B) {3 D% ^* Y: ~9 B
. ^2 s1 z$ D# V4 r1 C2 B5 b' s7 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 ...

, z7 h: X! E6 k& z$ z
# k- J; y* {. @5 C) v& X% I

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
9 E  `, [. ?+ d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。
0 v$ U, U0 J3 ~1 v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.

1 N6 @9 d- E' J6 C7 c( P! q/ h内循环试了4种方法，
0 }/ x0 x! |7 C3 P( @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
3 |. V2 X4 \: P4. 空循环 100000 次 202s
$ O5 C* E$ X& ~; N6 c: u' S
不做内循环 200s
! |5 T( \" \- T0 H: @
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。
4 x- M. A# N  ^
0 [8 L4 Q& ?' G1 |2 A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）
( Z5 _, Z0 l. r/ D& Q
9 D# p' X. O+ w- l8 T  B# t（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）

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
) R3 _2 r$ Q- i        float* b1 = new float[N];
- f% f2 n) t2 \' L/ n        float* b2 = new float[N];

1 ?' w5 Q) P3 h6 e5 u1 t! X5 o        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));;
                        });
6 @6 V, H9 F2 _3 X* ?) Q
, [. l8 P, K/ u* _                std::generate(vec2.begin(), vec2.end(), []() {
0 [6 ^4 ]! Q3 D! W                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
& ]5 ^* K- c& u# m5 a. }
1 m, I$ ?% m. P: K5 ~                for (size_t jj = 0; jj < vec1.size(); jj++)
( F/ C5 h4 K4 Y1 c1 C6 m                {
) D4 A+ ~1 }2 j9 g9 O                        b1[jj] = vec1[jj];
                }
' V2 W/ W0 X& Y& `
                for (size_t jj = 0; jj < vec2.size(); jj++)
0 F0 V  G* k7 E* [: B                {
                        b2[jj] = vec2[jj];
2 N$ q9 j7 ~5 D  f+ [5 x                }
; {; s6 k, i0 s. Y/ ]  i
                //Method - 1  N=100000 247s  
: I1 c) [( F3 x7 J4 z3 @                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
' l. }! T* U0 s$ a, X0 i                        fresult += vec1[jj] * vec2[jj];
                }
2 a$ W/ n+ I  ~0 G                */
                                
) E" T0 V" f: s+ N; r% i. [                //Method - 3  N=100000 204s
/ x/ M5 E$ O* x8 J8 X                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
4 M6 K# L# w# u+ K$ O8 n                */

: x3 b, q$ Q* V0 t$ a                //Method - 4   202s
  j, U( G4 y* X- S, m! c0 ]                /*
                for (int jj = 0; jj < N; jj++)
! Q" i5 f9 G- H7 T. t/ \9 W                {
                        
2 p5 D. F8 |* X9 |8 ?                }
                */
                //comment out all methods, N=100000  202s               
        }
6 C- ?/ A7 H* }* c: S: w' v
        delete []b1;
        delete []b2;

0 Z7 {: I$ x4 M4 i% ~

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？

" [3 x, u4 T/ p+ U/ B6 b- N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？
; q2 ]3 x* U, N* s' v9 N4 j8 u6 X4 k

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？
- i: b) D6 L0 E1 ^; h2 \$ ~
$ M2 g& N% Q" V7 r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
$ A9 K& B) j" t0 g7 d+ z3 b
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

( L6 j' w5 f, }, m" i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)
{
2 [# ]+ `4 ^1 V( ]: U3 |2 [        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？
; U( w; T1 S  UVS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。