C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

" R4 \" T3 `; ?7 j. Y& U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。

0 b% t3 W0 a0 _- K& a/ g1 V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？

  H& ?" d/ q" R3 Z- 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？
6 j0 T( r9 x" s) j2 T把代码贴上来看看？

. F8 ^. _8 K& Y& m! }
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
# |  o  P9 ?& S2 C, P{
  k! D# q8 Z* J; D1 ~0 X- o) p7 ^        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
. ^2 j, K$ x9 V. q        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
" w6 k+ `! i+ S5 m  @$ [                reali = lenA;
        reali /= 2;
6 S2 D* ?6 w0 B: E
        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
' @4 @" |8 g3 i+ _! r        {
/ K, L7 W' n( K& O! k0 G; X4 e) M                temp.re = 0;
                temp.im = 0;
                i1 = i;
) o1 X1 a. _$ w- M/ L                for (j = j0; j >= 0; j--)
3 E& b' C" e: Z# Z9 `' d                {
. {# O9 u: o& H' u                        /* floating date operation */
                }
        }
( U; h9 ]6 ~  R" [; O0 e}
. H/ I5 f2 L4 d  ]
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.

0 g! b! ?9 S' a" Q8 r5 |如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
  ^; A" I6 u5 S- u9 R5 W, F1 i" @

雷达

风雨无阻 发表于 2022-9-24 23:33
: U  `" I5 G7 w. R3 d- m7 d3 OMaybe Debug mode?

不应该，看我上面的回复。
8 Q! T. N3 q1 z: P& Q8 d3 t+ `' e
我更怀疑是 VS 社区版的问题

数值分析

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
2 ]1 v7 ~. J" I: K- s        comp temp, xtimesy;

% \; v) y4 B" y% D* ?; v这个不是这么比的吧。。。

% D! `. V; A( M8 L" g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）。
! O1 G6 W1 n9 `- A) e  h) 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

& v; m7 |' z3 y) ]# h+ X

数值分析 发表于 2022-9-25 00:20
$ }6 I2 A  e/ s  u2 {这个不是这么比的吧。。。

) S$ Y8 q! w. j0 M) ~9 C5 V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）。

. T" }& V0 }  G$ T1 a* {
) ~/ ~0 N! Q0 n! y5 t' ^有道理。
, v' A2 g3 B5 M- W5 B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
4 l' j) ^' n( [# K. z- b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
% t) e! C$ O; H" q5 LWhy 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。。。
' ~; S$ `. q3 k0 x
% s: u. m5 }/ i+ O1 z1 j3 e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

: F4 Q. O' V6 R7 v) h
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
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 ...

2 _9 b  x3 \: [
# \5 |3 x, }; P7 i1 T) F( h是的，兄台说的对。
8 B! d% F" R1 b" n$ K5 o% s+ J0 Y; h+ J
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。
' z0 {& G# s" F9 t7 d& ^' v8 s
1 R% n8 \$ i/ l  {; N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。

( o8 Y* K; e  D2 E5 [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。
5 Q( k" s) o9 I6 b  Q
3 l$ |7 v, g" _) O. U$ }$ t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

8 _  c$ R+ o  k9 C7 }4 Z

沉宝 发表于 2022-9-25 01:27
1 }8 Q2 E4 \- L2 ?0 n$ |; S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 ...

& N+ N0 T% N  C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 }; I' S+ O2 j+ P2 u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 ...

5 f5 Q) p& `5 }3 v' |时间差一倍的结果可以接受。
% X: ]! b- u- _' D3 o: A" f) P9 m
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

( p4 [8 s0 J- F) c, j

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 ...

4 I8 f7 T/ m" @5 D; q) G! P0 z9 b

# Q6 a0 I9 N) D9 |1 j; w& K
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

. Z! g; f! _2 q; y3 R

数值分析 发表于 2022-9-25 14:58
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。
2 t% {% x  ^& V) v4 {3 ^9 R0 j做了两个 vector 和 两个 float *, 都长 100000
% V) u$ v  t( R- `* h! B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.

/ y0 \+ ~; l* O: O" a' J内循环试了4种方法，
" E/ w; _  G5 i1. 直接调用 vector inner_product 247s
4 Y- p3 l4 p; a# {/ }  d) W% X2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

) E) E# t3 ^& n4 |! M不做内循环 200s

# ~4 }; K  N) }* Q, d你昨天说的对，内循环本身占比是很小的，大头在其他处理。
" [5 E. A. @2 W# f( y2 Y. Z7 {/ Q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）
' {! j( \0 K: l0 T9 }

        std::vector < float > vec1(N);
1 ?* Z+ s4 j0 \: v/ K( O        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];
- i: [, O6 T" J9 |$ M( M6 ^
        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
$ J! K$ S6 F3 B0 h( W! ^6 b# |                        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));;
                        });

+ w' R3 T% {5 ?9 E) W                for (size_t jj = 0; jj < vec1.size(); jj++)
$ r6 @7 f( `5 K/ v                {
                        b1[jj] = vec1[jj];
: I! V/ w* B' e6 x- @0 B! r7 V2 L* I                }
. i* N- d8 k9 a) f% a8 z0 n  q
                for (size_t jj = 0; jj < vec2.size(); jj++)
0 i! B. u. g) ^                {
, V( ~7 A7 ~- c3 I6 q" p! N                        b2[jj] = vec2[jj];
                }
1 T. m4 ^; a$ ], y# A( f! L4 U
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
1 y" w( O( x7 Y' ~* d- B" X                                
+ Y, y3 l  B  r- t' e                //Method - 2  N=100000  237s
                /*
/ J# X" K7 p( ~8 k                for (int jj = 0; jj < N ; jj++)
                {
3 s. ]: {7 ~4 Z                        fresult += vec1[jj] * vec2[jj];
                }
                */
7 I/ y% }( @9 r; N9 `8 L4 v                                
                //Method - 3  N=100000 204s
+ x' d; e, w  N. j" B4 [                /*
                for (int jj = 0; jj < N; jj++)
: E8 B6 |& P6 C& S! C                {
                        fresult += b1[jj] * b2[jj];
/ z, a3 O( y( ~' _$ Z7 X                }
                */
; M2 _' u( L! q0 X. X
) v& M. E: c& N3 Q' r                //Method - 4   202s
8 ]# W3 \; U3 f) T                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
                }
1 R/ Q/ D; }) S* |                */
4 d" P( {" d8 G" d                //comment out all methods, N=100000  202s               
        }
. W0 G! K4 {# {% G% }* o
        delete []b1;
        delete []b2;

2 u4 q% b) H  r+ q. c

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 `3 s( o& u) \& G: n8 |* @

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？

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

8 B- u' {# L0 {( {; D0 m* H$ u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。
) h4 @$ y$ ?% q9 M1 x1 v& @7 a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
8 w) R, \6 @7 g% M; Hvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
( W$ G! g5 W$ I* ~) _{
        comp temp, xtimesy;

* u3 C6 W" {; v4 R. Y8 l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。
6 ?! m, u! n( \. M1 M3 f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。