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。
$ b2 G- M4 T6 E* H" o* i$ U
速度优化问题真的很有意思啊。

7 `* f" w# H% m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？
& V& m' h8 N. g2 L$ x. S
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

# D$ f9 e; J, X2 Q' N+ M

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
把代码贴上来看看？

7 s$ h1 O' O  e1 E- S( K  S7 M
6 \* {4 g4 }( b5 p7 y2 [8 Ovoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
: ]0 k% i/ Z( `/ G$ w, e6 W) R! S3 l{
        comp temp, xtimesy;
" P$ @3 {; V, F2 z  x        xtimesy.re = 0;
        xtimesy.im = 0;
+ M& @* y+ J0 K9 e, L6 |        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
2 J0 v! f6 h: K+ d" K                reali = lenA + 1;
" \& V# s1 p) f1 m        else
                reali = lenA;
, i2 g2 C) p6 F8 G        reali /= 2;

- b. g2 Y. E5 ~        int nconv = reali + lenB;
        //#pragma omp parallel for
+ K- D' K2 X7 w. ?0 [, S        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
% v% B9 K8 G1 z( h  x                i1 = i;
8 u4 g4 P( m/ J5 d0 I- p                for (j = j0; j >= 0; j--)
9 z+ t1 L3 j- F1 D( j, ^                {
                        /* floating date operation */
                }
1 v4 v1 b+ ~. i" H0 _        }
}

$ h# ?# h- E8 Oxcorr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
8 ?# m% Z, M. F9 a  m+ [
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
  @/ Y% Z# D  Y7 ?1 n- G2 I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.
" X' t! s; C2 {, N& N# l$ f% ~. F

雷达

风雨无阻 发表于 2022-9-24 23:33
+ G5 v4 ?8 m( rMaybe Debug mode?

( k, `7 R& S' q6 v5 }
9 F) N  `' b( l+ K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

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
1 q7 `% V4 o4 l3 m5 n# U, [- u        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）。
# R) d& q% `4 k2 e
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
这个不是这么比的吧。。。

3 u/ z. M0 e+ r! f0 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）。

( w8 @! B4 y& C( C3 ?+ I& M
2 _' A+ N8 g2 x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。
$ l7 b& O, d  d3 r
5 G  F  h9 e8 _8 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。
8 d5 H& t" [! f! Z  F+ q( D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 ...

3 x; c7 D6 Z0 E% j5 u- U: q; m* X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
2 d, }3 W: j  K3 aWhy 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。。。
7 m* C! x( i  w
  G( @2 R* Y. e# O) 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）。

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

沉宝 发表于 2022-9-25 01:48
; V# d6 P( t- s/ p6 ?' @, e; U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 ...

! f, M& `0 f5 O7 j  g
是的，兄台说的对。
3 W3 g  J4 Z9 B& m6 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。

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。
, l; w1 n- u( S- E& r2 K
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 ~" [8 V7 ^5 L6 ]3 R
  ?1 O/ a" S0 ?. {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

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 ...

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 y2 K8 z) q8 I0 O2 g. p我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
" t- T* j. @% W$ D6 [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

# t1 n& C0 V& m( ^- {# f6 V$ S: j2 y

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 ...

0 `: H# ~7 C! N& e8 F4 F6 r% |, R
2 K2 s$ y; [. M2 p1 I* t" f
! S, i) F- d( [/ P
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

3 @3 }8 X6 I# a! J

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。
做了两个 vector 和 两个 float *, 都长 100000
! V% V' S2 k5 H% h' Q3 n4 n9 z2 Y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，
* I8 }- q, P* n# X) x0 t1. 直接调用 vector inner_product 247s
1 c  X2 e. _  z  l, u  q! M0 f2. vector 循环点乘累加 237s
  P8 ~1 l/ R. ?& l1 y# d' m3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
' F; x( o" r* _" X7 k
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）
' I7 y( ^2 f/ \0 V- t2 X
（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）
5 y, Z4 S7 l; f0 r: O
  \  b. i. ~3 Q9 }

        std::vector < float > vec1(N);
. U3 p, C' x  |- q( i        std::vector < float > vec2(N);
) d* t& B; J, h! G        float* b1 = new float[N];
        float* b2 = new float[N];
1 V% @/ {( Q: c' }; y+ b
, ]( Q6 _% K" [) D4 G* |        for (int j = 0; j < 6000; j++)
- Z1 D6 ~+ f  u; C- p        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
, Y- t3 d, t  b& |                        });

* J: C0 u6 L! G4 q1 m                std::generate(vec2.begin(), vec2.end(), []() {
6 N4 j% L6 j5 W4 T9 ~) o+ C                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
0 U- {2 l9 L5 U/ V& C2 q! v
                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
* J/ H* G' O1 N# {7 K. [, N                }

( p* P( r: ], h  S- Q                for (size_t jj = 0; jj < vec2.size(); jj++)
+ t7 j/ A( I' }/ R                {
                        b2[jj] = vec2[jj];
; {7 E, q" M3 q3 y( D5 U                }

; C. ]: ]- I. `                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
3 ~) V% n9 \" U& l; x# y, X                                
                //Method - 2  N=100000  237s
% u/ g) e# j9 l! j' K  Y% }                /*
                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
9 J0 h, T  B! _                }
+ t$ G; d0 |; g                */
. K8 M6 ]* v  e                                
                //Method - 3  N=100000 204s
0 J( ?( E( X2 ?9 D! Z$ U                /*
; u4 L0 v3 o" Z" e" H. d7 q                for (int jj = 0; jj < N; jj++)
' N# m, N: N( L! p% @1 Q& b                {
                        fresult += b1[jj] * b2[jj];
; B3 t8 \& w; p! q) _* O                }
$ J# ~; u2 w1 P3 Z6 Z, ~  W                */

$ u0 b6 o8 ?% S+ g                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
: R9 X$ Z3 o" n3 R6 a( g) Q                }
" P7 v+ k9 |- I4 x' `; @                */
/ A2 U2 n1 U" e                //comment out all methods, N=100000  202s               
        }

        delete []b1;
        delete []b2;

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？
* l8 {) W: p3 v) A
$ b" S1 G5 s' l  x/ b# e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？
! E4 d! p5 y( j0 U( d
你第二个试验里面的j在循环里面又重新定义 ...

: k' y. }8 x0 o) v$ [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
  t7 `9 @0 J% e0 @
+ M0 g* u- ?  l! @/ N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
% e& P/ n2 {! A5 l2 P1 V/ C
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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
# y1 J5 M0 S6 q" l1 F; P4 W3 v2 w{
        comp temp, xtimesy;

6 [4 A* E) ^( W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。
5 M  S8 y4 {  y; h6 U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$ v/ T* f% C( P% mVS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。