C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

7 w9 h* u! f: P0 m" H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。

速度优化问题真的很有意思啊。
( `- K/ E2 A3 E" A3 U
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？

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
; e+ p/ k6 _' T+ K& r% O拉下来？拉多少？
" m3 J' `3 `. z9 i* v把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
: B' T) ~9 V" |1 S5 P5 r{
        comp temp, xtimesy;
, m5 F/ [' G4 Q. }: ^        xtimesy.re = 0;
5 V" R. ], z) t! K& W) L5 j        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
' J, b/ S, Y3 \' a. @, t  ]( K        if (lenA % 2 == 1)
3 a2 x* q9 [' k; `9 m# A' s                reali = lenA + 1;
* s/ E" Y# s5 p        else
                reali = lenA;
! t! k$ N- I7 [$ P        reali /= 2;

; V- d0 {& K  \' E1 X        int nconv = reali + lenB;
# J' ]! _4 }9 ~, B* M        //#pragma omp parallel for
: }/ I7 b2 i& k1 I: T# S        for (i = reali; i < nconv; i++)
        {
4 b) N% \* E1 ]( ~                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
+ B0 l/ g" R- F& \7 M                {
  y1 a/ O( f* b6 ?! A' o8 Z) v                        /* floating date operation */
                }
- ~' }+ d3 l* k6 B$ E        }
}
  O' X& t7 b- t7 @5 \% [
5 p$ N1 U7 Y1 i5 v; w7 X: h0 Sxcorr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

: B5 M; l! d3 L; Q红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
3 l0 N: e: n7 }3 \! M! u- ]现在call xcorr 100次，耗时78s.
9 S! ^5 O( |: a, s7 a7 }
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

5 W4 \" U3 X7 Y

雷达

风雨无阻 发表于 2022-9-24 23:33
' l$ T' F# _+ @6 v; Q8 GMaybe Debug mode?

不应该，看我上面的回复。
# c! A* c( t5 g
我更怀疑是 VS 社区版的问题

数值分析

- M) l( `. v. |: s

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

- F3 j  g5 A* F: g( H7 T& A这个不是这么比的吧。。。
. @: M; @: _( S! i' q3 y; u9 R( q
& e$ u2 ?# R6 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）。
! A/ x3 f' i0 X  K
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。。。

+ \9 T5 V9 C; U" r( l; Q- t! o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）。

, l8 }' o* u9 G2 ~
9 |! z* e$ O7 G9 t& @9 V有道理。
' q8 o! X0 Z0 ~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
5 d/ v  {4 j6 C, E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
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。。。

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

* i! g' q9 g1 l% r2 X; Z7 N" M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

) ]) g  W9 p( Q" a' {! X

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 ...

; E  v1 s3 J0 \: `! \" O
% F1 t; d, O4 _9 G是的，兄台说的对。

1 x- J; L2 o' N4 a5 i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。
! N- ?  l  H* Y' B% d: K3 n
% A, n! l- g* F. N5 t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。
* q9 T6 Z/ k! [
+ G3 f1 z) u' Y8 F" A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

5 r, v3 |; y. V' r& ~+ ~: C

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 ...

1 }2 e: n2 H: w3 [: B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。

) t: x3 H) M& w$ J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。

7 a% ?: B& W- J& h9 V  S$ S你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

" T, C$ o  ]8 m7 d, w$ l) A

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 ...

# f) v, Y* P8 r1 G( k
# K1 Z! L! m! j7 m% g9 Q5 W
  F5 W/ x/ F4 c/ Y  e# t
/ q; s1 y7 G" i/ V4 e能不能把这个也贴上来，看看和上一个有什么不同？

雷达

, |: G9 Y$ \  ]7 ~) y6 j' P

数值分析 发表于 2022-9-25 14:58
( K( W! C( k" p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。
/ g' Y# X  Z9 y  F* p2 Q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.

* E- H" Q$ ^' v) o% {' J' Z. A! h内循环试了4种方法，
% U) O. t( s7 x1. 直接调用 vector inner_product 247s
: p: l4 Z- {2 p  M/ T. H  ], F2. vector 循环点乘累加 237s
) P# a( @5 Y: T- T$ Q4 P3. float * 循环点乘累加 204s
" G) _  v: d' A1 x1 g, r$ n$ p4. 空循环 100000 次 202s

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）

（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）
  _  q, y* C9 H2 H% g

        std::vector < float > vec1(N);
5 ~' ^8 G, w8 q        std::vector < float > vec2(N);
        float* b1 = new float[N];
$ m6 M: o2 F# Q6 _7 T( H5 H        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
" A+ {! Y7 x$ d, b- f9 \        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
: B8 N" R0 i! P2 }  X: ?* j
1 }9 q0 s$ I( }% E                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
7 n9 \3 t1 Q0 M, p                        b1[jj] = vec1[jj];
1 D; p( _- }: f1 N# x+ ~                }
" z( T" u) F; r" J( a) Q5 U
                for (size_t jj = 0; jj < vec2.size(); jj++)
1 {- [3 P% a  r% h# U, \0 i' r                {
" V; T5 K: V& a" K                        b2[jj] = vec2[jj];
                }
( ~; B# ^4 y1 e& y& f9 G
                //Method - 1  N=100000 247s  
+ Y3 u' |3 ]+ f$ n                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
3 D7 [6 C+ h( L9 C+ {* N                                
  \1 X- B3 H% g' v) m                //Method - 2  N=100000  237s
+ n7 D: L& z3 d; E                /*
                for (int jj = 0; jj < N ; jj++)
                {
- N3 j# c# B, R! E" H  `                        fresult += vec1[jj] * vec2[jj];
                }
                */
3 O0 n' B1 x) H4 y* ?5 R- j  {                                
) k- [, t! f+ M                //Method - 3  N=100000 204s
                /*
0 `6 R" e2 j3 Z" ?6 ^* [                for (int jj = 0; jj < N; jj++)
                {
  H& B6 x2 s1 }9 B; b                        fresult += b1[jj] * b2[jj];
                }
0 U' Z3 g& G7 v% `, n9 Q                */

                //Method - 4   202s
6 P4 p, g; d) n                /*
( `4 ]5 y% _8 q7 C7 x  E2 t                for (int jj = 0; jj < N; jj++)
                {
4 C: Q8 R* G. J: ^8 G6 Z8 T& k! V1 _                        
                }
                */
1 {' X' f4 o3 L4 n" Q  ]* I                //comment out all methods, N=100000  202s               
- T+ _+ c+ M  |        }

; I0 q  ~' E0 X        delete []b1;
        delete []b2;

7 o/ r8 p3 ~3 g% B* @

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？

$ ~' B8 n8 a& A( I/ ~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？
2 }$ d* [8 U7 S
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
  F/ L7 F) v0 p, W+ }0 ~% W
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
. i3 H0 w2 u+ ?8 i3 l( l& j+ z' h4 k
) \" t. |0 [2 \( e: W; f: ?不和它 ...

- c/ @* }" N4 R  [: `+ C1 F
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。
, G% J: C: j1 R* j8 ^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)
{
$ Q" x- ?7 Z! B( l        comp temp, xtimesy;

6 k$ {- ~! g; j8 R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。
( s. O; v: R% y) m+ a% w3 t! B6 B, L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。