C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
: p) L3 \& f( o* d
3 j5 z% C3 S; Y9 g4 Q$ ?, p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。
% y# {# O$ u  b3 U# [+ b
速度优化问题真的很有意思啊。
; `/ |1 ?4 s( w6 |) T) N
欢迎大家继续讨论

数值分析

拉下来？拉多少？
. L4 H* i# @3 O+ d9 |把代码贴上来看看？

% S1 O6 ]; y! }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
拉下来？拉多少？
; ?$ W5 m" U2 c5 b1 G把代码贴上来看看？

) f5 c4 k& |7 O
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
' d; n7 C2 C! ^) u, g$ _, I        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
' n6 `0 v% m" c& H% o        if (lenA % 2 == 1)
; W9 ?) B* q1 _. ?                reali = lenA + 1;
        else
) t6 k) d: @% R4 l  Z2 l1 X                reali = lenA;
0 G5 t  F! e' n$ r' E6 D        reali /= 2;
1 b. M; C2 {4 i+ G& z+ [! b
2 l  E3 i& t0 f* Y  W; X; e7 I        int nconv = reali + lenB;
        //#pragma omp parallel for
9 R# u, P5 i! U4 G8 |7 q! w        for (i = reali; i < nconv; i++)
* Q6 p( q) G# x* b8 E& ]        {
                temp.re = 0;
                temp.im = 0;
2 T# c/ x0 V- W% m                i1 = i;
                for (j = j0; j >= 0; j--)
  h' L& ~* p9 m" `  ]                {
                        /* floating date operation */
5 \  h$ E% n+ _                }
6 n6 e8 v% q7 Q- P# {" b        }
}

) ^  b( T5 B3 j: l; d; ixcorr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

% B) H8 Z' ^9 _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 @7 W# U" m3 e. K9 s  h现在call xcorr 100次，耗时78s.
& H: {+ j* M2 _+ W* _: u
2 r2 A5 H( l6 r, f7 o如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

* K( ]/ [: v. {9 ]5 |

雷达

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

) b5 d# T0 k" B
不应该，看我上面的回复。
! Q9 j- a2 `& [$ e# s
我更怀疑是 VS 社区版的问题

数值分析

0 R5 c* Z3 N7 o5 k

雷达 发表于 2022-9-24 23:54
  w/ A) P" P( y3 J9 Svoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

! s# l8 p1 ]: Z7 s$ ]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）。
! r" n8 G$ j8 r5 `- d
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

) g% V) x* }2 q

数值分析 发表于 2022-9-25 00:20
, \2 `9 N/ j; K% ]/ k$ m) ~5 O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。
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。
  T* _; @8 [4 w+ F% Q1 Y0 L* f- X
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 ...

: C- O& A- Z& \/ m- d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
( e0 s5 Z  S, |1 Q这个不是这么比的吧。。。

& Q7 W+ f* f  B! s  m- D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

7 d- M" f$ B( q7 I; ?. \
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
; Y' ]1 B. `$ E" n' w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 ...

  b3 B3 L: Q6 `6 T7 D; R
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。

1 a; k% l0 |4 L0 d& p; ]5 q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。

( B2 K1 T# a! K% v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。
( Q, c  N5 e0 ?+ s
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

& J& z# R. x9 a

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 ...

3 n# f) Y& o5 u8 Y
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

雷达 发表于 2022-9-25 04:47
! o; l5 ^+ S  r4 y+ L5 E3 ]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 ...

  P( B  ^0 }/ b4 ~  c# B8 r时间差一倍的结果可以接受。

$ ~. z! ]4 H  w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 ...

& r6 M. c* e0 p  A, Z2 `9 o
* r# W$ T, B2 \- i. h
: H7 k) @" Q5 T
0 K" x6 ~8 H3 [7 i能不能把这个也贴上来，看看和上一个有什么不同？

雷达

. l  `0 i7 U+ G  E! a3 \  ^, J( R

数值分析 发表于 2022-9-25 14:58
' ?* R- k6 O& c* Q2 x) O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.

/ b2 b# r' d- l+ c" k内循环试了4种方法，
$ h; \- i# [$ U7 x1. 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
, T  Q) y+ z, N% R7 l& Y4. 空循环 100000 次 202s
5 Z- M/ e# ~4 w) o
不做内循环 200s
6 F/ Z9 [" G0 q. I" u
你昨天说的对，内循环本身占比是很小的，大头在其他处理。
$ |2 L/ [# x: Q+ F! G另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
. K! F2 R) t. Q) {# l
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）
" H3 E: Y% s* Q2 a  h
（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）
% R! I+ Q' X7 X

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
+ e+ B2 V" Q3 k        float* b1 = new float[N];
6 ?4 K* y/ k. R$ R# }4 D/ T9 Q        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
        {
+ o8 e# w5 y! U6 l+ j& s' S& `                std::generate(vec1.begin(), vec1.end(), []() {
$ }/ Y& U/ S% z2 Q- b                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
5 N9 I' K$ G) f# b) m: }                        });
2 ]7 S' P' R4 v
                std::generate(vec2.begin(), vec2.end(), []() {
4 B9 U2 E4 B% M( b8 }0 d/ [                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
. V! M8 N( ]# T3 [( N2 B/ Q
3 i, W9 q4 F! C                for (size_t jj = 0; jj < vec1.size(); jj++)
2 A  [/ `8 v8 n& g7 D) b) {" \3 H                {
                        b1[jj] = vec1[jj];
                }

5 k$ P7 ~4 s8 r5 w; }1 t4 `                for (size_t jj = 0; jj < vec2.size(); jj++)
5 F) ]/ U" ?' F. L6 q1 D                {
8 A- K$ [+ ?$ N. z                        b2[jj] = vec2[jj];
1 W4 O( d& L7 I& d0 G+ m                }

5 p/ }% G7 _$ q6 b7 P. J                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
' m/ O7 ?$ k& _. S" `* K                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
1 Q, }; e, S  j# Y, U7 u1 r+ r                        fresult += vec1[jj] * vec2[jj];
/ z3 j5 H4 y* @$ F" O' I  Q                }
: m( k! {, l% ]# s                */
0 l$ r7 l" P+ f1 |' ?/ f. \                                
3 w6 O9 Q1 M1 D2 ~" x) {                //Method - 3  N=100000 204s
( O  v1 Q* N: b$ j" c                /*
" [, T* k. d2 \( [' L                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
                */
% v4 \. Z/ S) v& ^# P! y8 i8 e2 L/ I
                //Method - 4   202s
                /*
( Y( P3 P& P4 X* u( _( I                for (int jj = 0; jj < N; jj++)
                {
                        
5 Y& F4 Z, R: n6 P5 d) W; t7 l                }
                */
                //comment out all methods, N=100000  202s               
        }

        delete []b1;
        delete []b2;

1 \+ F- V8 d6 ?2 ]; I8 p* 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？
1 z% w9 w3 D/ T% V( e
0 K+ A" P" ~% X2 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
" n4 x$ e: r/ e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 ...

3 J0 J# P4 R& K3 `% q  z3 E/ J7 {" \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

( D/ o: r2 H3 T3 L* \" J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
, o' B1 S7 b, X9 V4 I5 x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

& ~* G, ]1 A* 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。
$ _+ c+ I, B8 I. r, X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
3 S/ l9 T" V# t. z& x4 H! @+ Gvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
; ?9 M' x) {: z& O2 h" ^{
        comp temp, xtimesy;

5 m$ Z& C- B- k5 o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？
9 H! f' v6 z( x6 C( tVS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。