C++ 提速的新发现

雷达 · 发表于 2022-9-24 22:54:26

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。

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 · 发表于 2022-9-24 23:04:16

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 · 发表于 2022-9-24 23:15:41

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 · 发表于 2022-9-24 23:33:02

Maybe Debug mode?

雷达 · 发表于 2022-9-24 23:54:10

本帖最后由雷达于 2022-9-24 23:57 编辑

数值分析发表于 2022-9-24 23:04& n5 g6 H, \$ T2 |/ J( {$ K
拉下来？拉多少？
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;
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++)
{
temp.re = 0;
temp.im = 0;
i1 = i;
for (j = j0; j >= 0; j--)
{
/* floating date operation */
}
}
}

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。
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 · 发表于 2022-9-25 00:17:17

风雨无阻发表于 2022-9-24 23:33
* a. p+ b" L7 r7 hMaybe Debug mode?

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 · 发表于 2022-9-25 00:20:10

本帖最后由数值分析于 2022-9-25 00:24 编辑

雷达发表于 2022-9-24 23:54
: u+ s1 y/ P6 B* Lvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB). Z# \7 V" d }6 B
{" e6 P: P5 ? }- I
comp temp, xtimesy;

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，慢个几十倍不是正常的么？

雷达 · 发表于 2022-9-25 00:46:56

本帖最后由雷达于 2022-9-25 01:09 编辑

数值分析发表于 2022-9-25 00:204 Z. ^2 u5 Z2 q6 M. @1 z
这个不是这么比的吧。。。2 R& g" l- D% Q$ E* p
6 {9 m# Q* `! 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）。

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 · 发表于 2022-9-25 01:27:53

雷达发表于 2022-9-25 00:46& \( {' q2 T$ U- s
有道理。 X0 ?& f& K; {
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 · 发表于 2022-9-25 01:48:51

数值分析发表于 2022-9-25 00:20# z" g0 ?& C( D1 S( y
这个不是这么比的吧。。。- N% u# Q2 n' z$ m( y! s
+ p- ~9 e8 l- A" D8 \
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

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 · 发表于 2022-9-25 02:06:44

本帖最后由数值分析于 2022-9-25 02:16 编辑

沉宝发表于 2022-9-25 01:48
4 e! F7 }" ^/ |% {$ E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 ...

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。

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。

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 · 发表于 2022-9-25 04:47:43

本帖最后由雷达于 2022-9-25 04:49 编辑

沉宝发表于 2022-9-25 01:27
`0 T# n0 o% M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。

我已经完全懵了。

沉宝 · 发表于 2022-9-25 05:51:23

雷达发表于 2022-9-25 04:478 m3 z [ C! b& g' g! R# A
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 · 发表于 2022-9-25 14:58:59

本帖最后由数值分析于 2022-9-25 15:38 编辑

雷达发表于 2022-9-25 04:47
7 G: \( N& ]' o" N/ i9 i4 m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 ...

能不能把这个也贴上来，看看和上一个有什么不同？

雷达 · 发表于 2022-9-26 01:30:03

本帖最后由雷达于 2022-9-27 01:17 编辑

数值分析发表于 2022-9-25 14:58
3 `3 ] a4 R, z# q9 `! `7 v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
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.

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
3. float * 循环点乘累加 204s
4. 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）

      std::vector < float > vec1(N);: p, I. R/ V3 Q  F
      std::vector < float > vec2(N);& f, p/ U' D2 O. h1 q# O$ R
      float* b1 = new float[N];
; b7 F# x. L, O! v! O/ ~5 S: J' @7 d       float* b2 = new float[N];
0 i; X3 R/ }% Z. T$ k
* ^# C2 y9 P! y3 q% F/ A       for (int j = 0; j < 6000; j++). _2 h, n) ?& G4 L
      {  l; z7 P( i1 l4 I
            std::generate(vec1.begin(), vec1.end(), []() {- S; o9 d' h" ^5 G) O
                     return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;6 _9 f0 o& p0 x7 c0 l
                     });* n# p  I  H: k' J% ~) C5 F. N1 [% b

6 p- h% m& i' M/ M8 G( B+ q. ^             std::generate(vec2.begin(), vec2.end(), []() {. {3 P. j1 J5 p- z& }2 f# ~
                     return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;& M6 ]6 X! E: `2 ?+ G
                     });
+ R5 x9 s, F: k) k: l! N
5 }- S) X9 u2 Q             for (size_t jj = 0; jj < vec1.size(); jj++)
1 v, `: T* ]5 O8 J             {+ r- i; q$ b: ^; c1 D
                     b1[jj] = vec1[jj];
" C4 G" d* o, u" v. g# I             }
+ r0 R9 f) p2 k6 _$ F6 t
1 m4 w8 `# ~) [+ F             for (size_t jj = 0; jj < vec2.size(); jj++)
' ^" n% i# L( h4 M             {* B) V  t! r/ H
                     b2[jj] = vec2[jj];
4 r/ E: f4 d2 \4 I, j) ~             }8 u+ g# s5 M+ @' H9 \4 I) k
; G& w  A  a" k
            //Method - 1  N=100000 247s  ( y2 O  |5 G5 a) O
            //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);7 Y9 W7 g+ a. O+ S7 N0 Z
                              5 n, Q$ n+ |' O2 b: Z, i, A
            //Method - 2  N=100000  237s
6 p7 ~4 l- v; ]2 R; N             /*
3 Z; x9 c% ?+ I4 R3 C4 f2 ]             for (int jj = 0; jj < N ; jj++)
4 }  ?( ]* L" f             {
/ Q2 _; P; i, s% b0 U1 B                      fresult += vec1[jj] * vec2[jj];
, {" T  r2 J% i- ?# }             }
" l, s6 {% k9 i1 ~& [& d: X             */) O/ b  ~' d. ~

1 Z8 @7 p  W' [& s             //Method - 3  N=100000 204s
! \9 ~) f; c# B% M             /*+ L( {( B; w9 I& c' q8 X* Y
            for (int jj = 0; jj < N; jj++)3 U4 }$ N3 r& Z1 g5 l
            {
. Z# i0 Y( H! K                      fresult += b1[jj] * b2[jj];
7 _6 X; j! T  o9 I             }- \1 {3 z  ^+ r2 z$ @  b
            *// c' s# a( G. P, d

1 s0 D* {( B0 V/ v             //Method - 4 202s# n+ W* K; O3 J2 g6 f2 ]" I# M( }
            /*
1 I( N# U7 ?- ^# b  ?3 _. k             for (int jj = 0; jj < N; jj++)1 {. s: b8 ?8 L0 c& h* v% H
            {
* I9 [: O4 @# [
) R8 a2 d" _4 l0 `  V) {  n- e             }
! c% `' k' F! a- R) l4 N! U; z9 Q             */
: Z( O/ x2 s  k$ j             //comment out all methods, N=100000  202s
3 y/ a/ o* z4 k+ |* a1 {       }2 Y) F# l; i5 \. R0 l) s
( k8 g" a/ ^" H, N
      delete []b1;
" m+ x6 x1 |) w' N  B       delete []b2;

机器猫 · 发表于 2022-9-27 00:15:38

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 · 发表于 2022-9-27 01:16:03

机器猫发表于 2022-9-27 00:15
. z& g6 B3 I1 @& y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？
1 H0 G! D: F0 l; g7 v2 g6 B, B4 K @0 t& `4 J7 B5 b
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 · 发表于 2022-9-27 02:06:58

雷达发表于 2022-9-27 01:16& S- c& F" L0 P
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、LOL0 Q* Q! |) r) l, J; j) q$ m

. g: f z6 K: E* v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 · 发表于 2022-9-27 07:25:57

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 · 发表于 2022-9-27 20:29:50

雷达发表于 2022-9-24 23:54$ \9 E3 G8 a6 {4 X. N; j J5 p- Q
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
* z' ~* i Y* Q; `3 r{
7 C& t% R/ [# O5 S1 F7 W' s% F6 ` 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。

		自动登录	找回密码
密码			注册

[信息技术] C++ 提速的新发现

评分