C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

9 o- x' `+ N$ f" Y: F2 ]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。
2 d* H, b" f% b( m
速度优化问题真的很有意思啊。
9 e9 b' N2 B$ B. u( W
欢迎大家继续讨论

数值分析

拉下来？拉多少？
. g1 v) u! g. Z9 R, N+ w3 G7 }& M4 R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

! e8 O* f, [4 i

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
' V' a* @8 }+ x- T$ _  z0 X+ E把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
9 X* `; P% `. }* _: X        if (lenA % 2 == 1)
                reali = lenA + 1;
. q( n' f, m4 D( t! E5 y! r        else
: ]- P1 Q  o! R4 i, K9 L                reali = lenA;
  `! S2 [# r! |        reali /= 2;
4 Z5 D/ p' n, [6 e7 ~, L( Q) w* o$ U
' L1 E- T6 q; T/ Z/ U. D% v& P        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
2 K$ v1 n/ ]+ }        {
                temp.re = 0;
% X4 }' @& ~) T2 K" H5 a+ d" t9 x                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
. Q! j" P* T6 f  Y3 N" e                {
                        /* floating date operation */
                }
9 `, A& Y5 y. R% T& ^        }
  T2 ^6 @# K9 P" G0 u, K}
; M  T. }7 G. [1 B( R0 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
! r; Z4 u7 m; C% B8 ^$ K8 h2 O6 j
0 l( N+ }: C, u% 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.

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。

' ~) b% {: g3 }8 u我更怀疑是 VS 社区版的问题

数值分析

- Y6 L- C/ l" V  H* `( `7 O

雷达 发表于 2022-9-24 23:54
) y; x, p2 T, J9 _: @8 ^void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
1 b3 [3 n! E; r$ C$ g{
        comp temp, xtimesy;

" ^3 b4 A- w* B$ P9 q! q
/ e. Z0 r8 m: w& t6 f; U这个不是这么比的吧。。。
2 P$ v8 G; t; ^. _
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
4 M( l8 b8 s2 F6 ^这个不是这么比的吧。。。

* u! y& @  a1 m4 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）。

$ f0 |/ S! T; D1 z* L. y. _, ?
* v+ E% e  c7 W" T2 g4 l" k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。

  {! X, p  v  P( q7 W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 ...

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
% L" D( S& S$ v3 I$ P, `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 b2 |: @# i6 u' t- `, f: M5 F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

& T* J0 D. X8 P( m/ D( \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
4 l0 o% n6 G" ^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 Y$ o+ d+ z- k! [是的，兄台说的对。

# a: q6 q. Q- q) S: S: K2 A, M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。

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。
+ z2 X# g7 s- B* t1 ]
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

" S# t1 |; l5 W4 D. Z- O+ k

沉宝 发表于 2022-9-25 01:27
, r( B( g  A2 p( Q/ k  J7 c$ d$ n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。
0 Z" q* g+ Q) N- ^2 J9 ~5 j- R
3 g5 }5 G& J  I  P0 [% T7 k5 D我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
) @5 l% m7 I9 Y0 g* ^) ]8 g1 K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 ...

$ C9 ^6 v  v! Q
2 ~7 T% _; Y3 |) a2 R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
1 z% V* @6 I2 I; O/ `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.

5 a" C' P* _$ A7 `内循环试了4种方法，
1. 直接调用 vector inner_product 247s
7 h8 f; S' m3 y# B; t! N2. vector 循环点乘累加 237s
0 s0 Z' [7 K- }9 ^/ o' [5 @3. float * 循环点乘累加 204s
5 w9 \$ y; t& C- x; o% C) b5 T4. 空循环 100000 次 202s
% ?. h6 _  i% [# p
& c7 `# H& x* 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。

# D. {' E- }# }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）
' H6 ?: ?% P- [$ i! L2 f
8 O6 L% ?& A3 x（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）
- c3 V% a4 T8 |0 J1 K

        std::vector < float > vec1(N);
7 c- ]: E1 S# U( @( @        std::vector < float > vec2(N);
        float* b1 = new float[N];
% X+ U! a% _. b5 N        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
8 @; S0 w4 `# m0 e* q        {
* d  K8 d7 b- R6 U# K2 U                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
& N9 x& i" v- T" d. y1 i
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
- }2 V4 s* v7 d7 j. ]* p1 U
, [4 u" K/ S8 E, E9 E" |& N                for (size_t jj = 0; jj < vec1.size(); jj++)
5 L8 G# i: C( F' j8 u) V) J5 T                {
+ |6 Y! y& S( H6 n) P3 P                        b1[jj] = vec1[jj];
                }
9 p- x* h+ J; {7 K9 P, E& k
                for (size_t jj = 0; jj < vec2.size(); jj++)
( K! J# |& i# q, w! |                {
; b; D7 i! G: g5 e                        b2[jj] = vec2[jj];
                }

8 Y3 p! H( C* B& Z' }$ h6 M/ M                //Method - 1  N=100000 247s  
3 u5 j, }) D8 W9 M3 ]1 h                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
. n/ _  }/ U1 R' i3 [9 ~                        fresult += vec1[jj] * vec2[jj];
                }
                */
* j# E9 Q1 c! d- y9 H0 F3 ?                                
                //Method - 3  N=100000 204s
                /*
+ N' |1 @# C2 o) @                for (int jj = 0; jj < N; jj++)
                {
1 V7 m5 m1 D2 d9 D                        fresult += b1[jj] * b2[jj];
; ^* a& [9 C; P1 C                }
% g4 |1 I2 i* _! z+ ^6 q/ o                */
% a9 s% i# `7 f3 I7 g$ ?' F
                //Method - 4   202s
$ E: D3 Y2 s8 M4 M( s0 m                /*
                for (int jj = 0; jj < N; jj++)
& r- N/ }/ o6 [) G$ p                {
                        
                }
6 E) n3 m7 L9 E! E8 l& k6 F% z+ Z                */
                //comment out all methods, N=100000  202s               
        }

        delete []b1;
        delete []b2;

8 q# \# N0 _1 w' `

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
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 ...

. |5 K$ q4 \- }8 s( c5 W' l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
4 U' M: c% q' N' G# }5 ?' y- c  y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
7 M- Z% \: u9 t+ t
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。
# S1 ]4 ~6 S" H' b( R/ T" k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 a0 i) E: r! Zvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        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？
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。