C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
" P! ^* @0 B/ u4 j, N
3 p$ i) g* G% s1 s2 f! A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

拉下来？拉多少？
把代码贴上来看看？

6 ~2 A6 v( d/ M; j8 v  L9 ^8 P; X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

1 z2 _8 P8 Y( N$ p

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
* v0 G: p+ Z. c4 v) R* D3 a) j- @$ \把代码贴上来看看？

5 V  e; t* v" F" ?
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
, R  e: W( u0 z' c{
        comp temp, xtimesy;
; N+ I0 @5 G7 g5 k        xtimesy.re = 0;
9 S+ F$ O1 U3 w) d1 O( q. f" l        xtimesy.im = 0;
        int j0 = lenB - 1;
% S: b4 o" X9 y8 K        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;
2 b# B( P6 C# I/ d/ {
        int nconv = reali + lenB;
, P& W+ r) y6 r6 |# i/ x        //#pragma omp parallel for
. n. S+ t$ V9 R8 [        for (i = reali; i < nconv; i++)
        {
5 n% d( S" k8 p. C                temp.re = 0;
# F& ^* j- D, j& ~) J- a& H                temp.im = 0;
                i1 = i;
/ V2 j, Y' b' U6 e( Q" y2 y                for (j = j0; j >= 0; j--)
$ g/ {5 v+ z1 \, w" N- v+ m2 D7 k                {
                        /* floating date operation */
                }
2 x# f! s, \( 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

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.
- d& e/ K8 U% c6 ?; E1 `- c

雷达

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

# a* |$ k6 L% C4 n* |6 ~
不应该，看我上面的回复。
8 F5 C3 r6 x, U7 L$ N
/ B- }/ `9 Y" Z# ^# L0 v( V我更怀疑是 VS 社区版的问题

数值分析

, Q8 j% F/ a( u

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
' W; c4 h! g! a# Q, K. o        comp temp, xtimesy;

7 v) g1 c, l4 W6 D/ V# Z: ]
这个不是这么比的吧。。。
2 g* {$ h+ S2 ^! }/ l
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）。

1 |9 N# ~# S- C- n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
6 E: O" B8 [9 b$ J( R6 J这个不是这么比的吧。。。
! u  c" v! P7 e) g! B
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）。

! n4 E: I- d- I" |5 i8 h
有道理。
& y$ T- q6 ?& T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
) A: [; ]7 D/ `$ x$ o3 ~+ _' h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 ...

! M" f/ n% ?! [6 x9 o8 l$ \6 ]* f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
: |7 n/ [2 a2 R9 d, ]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
7 L$ O$ J8 y: S! g这个不是这么比的吧。。。
0 c" e) f1 I" q5 b- |9 X) L* W1 h  T$ p
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

* t, v% g% C1 C& l" r1 @3 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）。如果循环这样跑，花不了多少时间。

数值分析

9 @" y" q, o4 V" Y5 h+ C$ Y

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。
, A% z4 }) L  q2 X' H5 k
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。

& G1 j; J# C3 o* ]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。

1 G  g% m: e6 n" j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

* k8 u" M$ o% C( ^! m0 A

沉宝 发表于 2022-9-25 01:27
% f9 ]( {" |3 I' e& u0 N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。

2 h& ~; p# {( T; W7 I5 h1 F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。

, q) e5 ~0 y9 [1 L你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

: q: x, c! f& w

雷达 发表于 2022-9-25 04:47
/ I! Z# G# ^( S. w: n( 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 ...

( T  L  s4 v) M3 c# h: J  u能不能把这个也贴上来，看看和上一个有什么不同？

雷达

4 g( t1 _3 b. z# I. Y' w

数值分析 发表于 2022-9-25 14:58
2 w- d$ R4 ^6 [$ c5 `6 Z% P# a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.
1 f# G: g3 c3 a0 F
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
. G1 D* M  S7 q$ F' K3 U
; S' \9 l: S8 D6 C6 D; O不做内循环 200s

6 H) z  Z0 {3 C; F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。
  l' f+ `  U/ y1 X& x$ ~  b
( s$ U1 ~( f& }4 H4 g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）
, ^, T# F. k8 U, e& ]; q/ J0 P. F
  h# j6 H$ P0 \（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);
- M% m* m- w* r4 |% d' q1 e        float* b1 = new float[N];
        float* b2 = new float[N];
+ Q  b5 a& [# a( A
& {- A3 [/ w. V, L* `8 q& B        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
& A1 K- T0 j% x4 e6 f, U/ |                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
5 m9 o. o, K  v8 C; M3 p
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

. x- {& Y& |! R  f# ~                for (size_t jj = 0; jj < vec1.size(); jj++)
) U" J( i4 J- @: d% X                {
                        b1[jj] = vec1[jj];
                }

/ T& a: ~4 A# a+ _                for (size_t jj = 0; jj < vec2.size(); jj++)
% T+ o, V0 W) n2 Z                {
! {; g" Z2 W' x9 k& ?  H                        b2[jj] = vec2[jj];
; _0 A. Y) Z! o* H, W) r2 u                }

+ B  r; r7 i5 L* p5 b& Q* J                //Method - 1  N=100000 247s  
6 ?4 z4 s4 M) O& G: C                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
3 p4 v, o6 `5 v( _' n8 J" H3 U/ i                {
& Q+ b3 \8 \! z                        fresult += vec1[jj] * vec2[jj];
# X& Z3 M9 b2 J3 Q1 t                }
$ K  W9 k& C. [- U: {* p& L                */
* j( c, ~% w) b/ V7 P( k- x( q                                
, ^! k7 Q9 ?' v" z9 N! A6 a                //Method - 3  N=100000 204s
  Q6 }* Q( D( m                /*
; O( D% A1 H) T; V; p. I! C# l# S                for (int jj = 0; jj < N; jj++)
                {
2 [5 a8 M) ]; P5 G1 e. L                        fresult += b1[jj] * b2[jj];
                }
$ Y. {" l7 T% b0 \; K9 k4 {                */
4 H" x  Q- r7 Q" \
1 L5 g% k6 y  i1 N* Y8 Y                //Method - 4   202s
  s3 E' x  x8 R1 ~& y                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
' w+ l4 u' V8 n5 N                }
                */
* j& R# d% g  b+ ^8 C1 k/ f4 H. ~$ d                //comment out all methods, N=100000  202s               
        }

+ G1 A1 w8 a* }4 U6 c        delete []b1;
        delete []b2;

/ T  g  b8 ?/ ]6 Q2 T$ j

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？
7 }( P* p9 `& Y. j5 B# ?

雷达

机器猫 发表于 2022-9-27 00:15
% p2 i: }7 x, ]& v! a3 h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？

! i$ N. J# L$ Y" ^4 k: j你第二个试验里面的j在循环里面又重新定义 ...

2 g7 {) R3 e% S6 Q/ U0 r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
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 ...

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。
1 i$ f9 h& x/ G- O, {7 N7 i! s0 I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)
  W. E: g5 K2 [{
        comp temp, xtimesy;

4 D7 L6 r& v% W% f$ {# 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。
/ w: b8 w) ]0 X; D% t9 W4 W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？
; m' L8 m( }; s$ C2 c- F2 B. _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。