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。

速度优化问题真的很有意思啊。
# n8 J* N$ B, h7 h( Y* b% a
6 a; L* X4 \' |. ^, w4 a8 U欢迎大家继续讨论

数值分析

拉下来？拉多少？
- `( J% F! o/ p( c/ {# O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

- k  f# v: H8 f; ~

数值分析 发表于 2022-9-24 23:04
/ V: f% u  f1 d拉下来？拉多少？
2 y0 C- M" _, p2 a# ?3 }把代码贴上来看看？

$ @5 p: K" a8 D' R' t+ w* d0 @
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
* `/ _/ I! l9 n4 _& j( Q, q2 o{
+ a. x0 x0 F: i9 b        comp temp, xtimesy;
8 ?0 E7 I' B7 K$ f% J7 B) ]        xtimesy.re = 0;
        xtimesy.im = 0;
* a: u9 @9 H9 R        int j0 = lenB - 1;
: R) n- i+ L( f" `! k5 `. W' P        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
0 ~& }" l1 w4 Q1 H" F9 x: D& l: `                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
" B, Z' z, s, w' Y        {
  U3 @( y+ o, o0 ~                temp.re = 0;
1 [9 o- r0 ?  d0 h1 G! b3 W3 D                temp.im = 0;
) s% D) s1 ~' F$ F+ r- c, ]4 q                i1 = i;
                for (j = j0; j >= 0; j--)
: \# u. x' X2 _/ o9 f9 v' i: c7 x                {
2 X6 @" K7 t, F" V$ M' A                        /* floating date operation */
, a9 X) m* r& Q  I) k6 l4 r                }
: Q; [% S( K0 t* @2 z        }
! |0 s( _; o/ j3 [: R}
) R2 U1 s, o  Q7 c4 P
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
1 ?7 F+ j" T: S: `  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。
; O) F/ Z" B  B5 M/ \( [  ]! }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.
2 q/ {  D) q2 k
! B/ C! |+ P2 V/ u! o

雷达

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

0 z$ `/ G( n% S& `0 l$ d  f, [
不应该，看我上面的回复。
) P6 F, w: H& i6 p  h
我更怀疑是 VS 社区版的问题

数值分析

' `: z/ [5 ?$ [& k9 B5 N" R

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
3 E+ j0 G4 @# l" K& j# ~        comp temp, xtimesy;

" a) G$ M" d4 y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

  e& v! G2 p( @4 Z: m) j

数值分析 发表于 2022-9-25 00:20
# w1 i- m. w& T0 Q8 o, S( }+ U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）。

: Q6 M( N. ]! L8 @" v4 @+ s
* f! N, m) F4 A4 B% s" L, Y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。
, d% b6 u+ ?+ A' Y' k8 F7 g
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
3 B3 @5 C3 u7 u4 l" m1 NWhy 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
" {$ U( ]  x  ~% V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

) q9 A5 s! D8 I
. a+ f# K' k7 X# y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

2 a& ?# L3 K1 F

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 ...

是的，兄台说的对。

: o9 k* R) ^: i9 C2 T" F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。
3 K' I: V- B& |- v! \" G0 v& a. y, ~
' C$ f$ S# O& `; c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。

! U' n5 N6 ]  f* u2 D& r/ U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

/ l4 I, C: C" L& W

沉宝 发表于 2022-9-25 01:27
, X4 z% J  J5 _8 c" b' L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 ...

+ k0 }! H4 s% u0 G$ `6 p- x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。
: A4 B% J  k( ^( z, X
$ S; V6 V# A: r5 b% N我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
( ]% W2 r& \* ^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 ...

* G, C; e+ w& U4 a$ P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 ...

% ^- U; d& t9 L4 ?
! T3 A0 i& C3 E1 g0 D能不能把这个也贴上来，看看和上一个有什么不同？

雷达

5 W, `1 i( p! f1 L

数值分析 发表于 2022-9-25 14:58
8 |1 r+ I! O4 `+ V& L# g4 k, S能不能把这个也贴上来，看看和上一个有什么不同？

' u+ c: h% w5 a  b& s- C! L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
+ v6 y1 |7 A% s) [  \" p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.
6 R1 y% o. T; ?3 t+ r# ~+ o
% P, v0 k" d$ Z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
, k4 D& ^) ^5 Y# {) ]% x3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
% \" }. [* S( @, I  ?! v  M' H
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。
; S$ l0 y+ _: b) i! l* S/ z
! V; l9 T% o+ r1 B, J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);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
* U" S1 u( R6 ~; |        float* b2 = new float[N];

/ L. B' z* h) r. {) e        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));;
3 i! R0 N* ~- G2 H- \                        });
% x5 {( g' e( o
5 B4 Y' s1 f( n4 T  A. y1 G& p                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
) c5 e6 ]  B% T4 I+ g) I, O2 ^' E                        });

* f( c' ^+ {) h  r9 O% O: ]                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
% c: M) g; d4 X                        b1[jj] = vec1[jj];
; B1 \8 I6 G2 \: Q                }

* V* M/ l; l, M3 H' |% \$ y" @) e5 `                for (size_t jj = 0; jj < vec2.size(); jj++)
4 `4 ~; ]: C& z7 f5 [5 d                {
                        b2[jj] = vec2[jj];
                }
& b* _5 H- T' @1 b% L. w
% n8 k5 i! f! d. ]/ [                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
' Y4 p) f* B+ w                //Method - 2  N=100000  237s
                /*
0 N4 E3 C4 k" K  A                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
5 e, p: n, B. O6 J$ {6 R" d                }
                */
% U7 b9 G  i8 Y. U8 f" {! \                                
                //Method - 3  N=100000 204s
$ V1 F2 b. R* h                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
                */

  |1 ?0 k, j3 H: b: |) `                //Method - 4   202s
4 G4 R4 E) t) D" X5 ]                /*
                for (int jj = 0; jj < N; jj++)
9 j& n$ I& w6 j7 {, b3 {                {
                        
; s* o" l' m5 [' a1 M- ~                }
: `; Q7 a: L4 s1 o5 f* d                */
, Y: p+ B' N& Q                //comment out all methods, N=100000  202s               
        }

* q# m! W; W& q: i' a1 \        delete []b1;
& G  C; m; o2 v( u        delete []b2;

. W" ]. h  i6 L, n: X

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？

1 O" ?! y& [$ C" C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
5 d8 b; O% m" `& z6 i- I
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
/ a- J' p: U; h9 F* e+ K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

9 q( M  @6 t( j% R, Z  z: o0 x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
1 s0 \/ n5 t$ t' [( y3 ivoid 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。