C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
: m/ g4 j  S. _6 n
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。
) J! p( F9 W  `% T
; J9 k  M! C4 n. K8 _速度优化问题真的很有意思啊。
1 s) \* D  C( j2 X1 Z/ c0 N
. _" P# z( ~: r5 Q' ]5 k* b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？

, B. r5 G- x  Z- c! A0 m' J6 Q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

. T6 L' R5 c1 @9 a* A1 M

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？

4 m% V8 `5 n0 b8 k) U! xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
! M+ r2 \5 r6 h9 w( W! f        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        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++)
+ U1 @4 Z3 a8 }1 x  Q8 ]        {
                temp.re = 0;
0 w5 E6 b8 T. L, V/ B" R                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
9 s1 z& I; u; f/ m' [* e                }
        }
}

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

. \# e: f3 L: V, _+ {& c) y$ h, O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.
7 W+ Q0 I0 P$ k* e  r
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
. v; \" P  B0 h4 I# z2 s

雷达

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

& V  J+ f3 u+ K! t' s* n: c2 k3 O不应该，看我上面的回复。

1 R6 B, M) |9 o我更怀疑是 VS 社区版的问题

数值分析

5 B8 n- Z  c8 s$ H5 ~

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
# p+ j' \# Y+ v/ _: W0 ]0 L        comp temp, xtimesy;

& a& V( x0 t; M4 x1 D3 {: X
0 k' ]4 W7 e% a( G0 U$ l* }这个不是这么比的吧。。。
  y7 q0 F! E! i- p' c+ D
8 M& K+ B( z5 v& U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）。
0 ^/ m6 ?  l% b, g2 O
" L2 r4 A, Z( F5 h0 e: Z& B  E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

' V6 T$ r( B$ \. n' v

数值分析 发表于 2022-9-25 00:20
7 z: ~; N, L9 q# L- @3 J5 X6 e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）。

有道理。
, I' W$ D4 G6 O1 D. ?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。

2 `" t1 ]* U7 j& P: v$ \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。
7 v; N& ~* x1 V; \5 h% w7 G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
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。。。
$ L1 i2 y8 }& A$ r
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

5 U$ q4 D; b' q/ @- F( A
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

( S% _- r7 j6 m

沉宝 发表于 2022-9-25 01:48
& s: T0 ^; k. q2 f( b, k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 ...

5 Q4 u( v6 ^5 e1 c
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。
2 Z# D7 J- Z; h2 E/ J
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。

. y. i  X" I& h3 z* D1 _4 G8 G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。
, ?5 m2 C8 X5 U! T
* w: z1 W: R, s6 \% [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
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 ...

. G( S; [  r) f
8 ?* I; L4 o9 O9 i# {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。
! o7 q4 P3 k/ z0 I: ^# Y
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
. ^7 p, ^/ Y8 l" Y! i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 ...

, y' g( F, U8 ~! R: W( O$ N* F时间差一倍的结果可以接受。
* r  R. C1 i- s6 Q" d0 e" s1 A
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 ...

7 F2 I# m- m: ]* R* {7 J& ~
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

4 e. h9 A9 V$ j, b  A5 V

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？

% M5 C) x! p" S! L* a; p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
) N# V/ K% k, g  K% Q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.
, n/ T0 P; l9 ~4 j
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
% J) N1 @& h+ x& ?9 X: D3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

$ b/ D" u7 {8 r, ?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。

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）
, S  b0 v+ i8 v4 v
( X; d5 o. |4 d$ n, \: c1 y+ \# z（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）

2 `, n4 Y6 |2 E

        std::vector < float > vec1(N);
8 h7 o" X; q* l        std::vector < float > vec2(N);
. x5 H; X  H* r7 Q. h        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
        {
; i# n% w" [" J& z* U  j/ {                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
+ {0 B  C+ g9 |6 p                        });
$ d' x4 C- V! L# r
                std::generate(vec2.begin(), vec2.end(), []() {
& u$ E- U$ I! e9 s- w1 G                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
  U* i( p, W" b) [  [5 x7 ?                        });

3 B* I9 d# `' ?2 ^                for (size_t jj = 0; jj < vec1.size(); jj++)
( _% {4 N  @! x" G0 n$ t. ?! b, T                {
                        b1[jj] = vec1[jj];
                }

- j5 H4 t; u1 ]6 E  R  P2 |                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
! M: `) u- S: R/ {% c5 Z                        b2[jj] = vec2[jj];
% y3 [8 W6 s+ i0 Z. P                }
+ |0 w& r+ b* Y* S" S
4 D+ }6 W# N4 |; Q6 l0 L# o- k                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
4 e7 r" F& S! S# ?+ N0 m, h, k                                
                //Method - 2  N=100000  237s
  l5 p2 Z" V8 [8 D1 R: x3 z6 X                /*
3 r# E+ c' S+ X% v: w. y                for (int jj = 0; jj < N ; jj++)
" |1 ^8 W# |' A4 Y7 S                {
                        fresult += vec1[jj] * vec2[jj];
                }
) O1 `/ r9 M' B* |                */
                                
                //Method - 3  N=100000 204s
( G- P7 P9 }8 o- _5 O$ p% t                /*
# t4 N. k: P5 O8 U% B                for (int jj = 0; jj < N; jj++)
6 z! M; E& A. f' K: Q                {
                        fresult += b1[jj] * b2[jj];
                }
                */
, [+ p+ V. v: K2 B- y0 Y) _9 a/ C
+ d7 k; Q" D7 {; f7 a3 m                //Method - 4   202s
                /*
/ ~7 t7 K% ?/ m) p( [6 {                for (int jj = 0; jj < N; jj++)
: _) T4 I( x# l                {
: q! d# v; S9 `& c6 P% \2 S                        
3 x) b  K7 y/ K  L- ]+ K                }
                */
4 Z. `, l! {6 @2 K: O4 D' F                //comment out all methods, N=100000  202s               
2 l1 ~" j) I8 O        }

! |% j5 A* N- `; t# a5 e        delete []b1;
6 Y7 h4 Z  \0 c" G2 X/ a2 P        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？
! H0 ?; z  W3 E- v( I- I( D0 y
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 ...

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
1 s" I) c  {, k5 q) \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
; }4 `" G7 X1 P" F# m
& T, d1 C. V* U$ K/ t$ e+ ~不和它 ...

0 b0 I9 d1 R4 G+ }% E2 I
5 y8 P' W0 z- c% i  L' J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
4 a# c; s% y4 x6 v8 h1 Wvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
* Y7 Z) c/ s% \6 z! P        comp temp, xtimesy;

3 s) Q3 u9 k  n$ T# X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。
; r( F2 P: D4 f/ s$ J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？
3 j6 C2 K0 ?9 Q3 A0 E5 j7 X* bVS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。