C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
6 h! b! Q  J  G, w
! ^9 Z" B$ c1 K$ U* L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。
, }7 h. K1 }3 T% M
! s; w+ n* M: G9 R% Y速度优化问题真的很有意思啊。
& j1 h3 k: I' N( Z  n
' E# |) W# ]6 q5 J' G; o欢迎大家继续讨论

数值分析

拉下来？拉多少？
7 s7 S5 w  r0 o( r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

" L* R6 B- Y* ^- D! [! @

数值分析 发表于 2022-9-24 23:04
* V0 m/ a# N: ]0 Y" ?拉下来？拉多少？
把代码贴上来看看？

5 N4 M  P2 s8 r; ~) g* fvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
9 }4 F3 g, C; M3 k" h8 c        xtimesy.im = 0;
7 j* `' j5 U. \3 ?        int j0 = lenB - 1;
4 u9 j' k, A, c# m& z+ e        int    i, j, i1, reali;
& K! v. X8 n0 S8 @# g6 K7 D        if (lenA % 2 == 1)
. |/ f" V! ^6 W5 y9 m                reali = lenA + 1;
! [" q! f$ l, f5 q9 z! x: l2 o        else
, M: T5 t. r  ?/ W3 L+ T/ N- F6 d                reali = lenA;
" J; l6 o4 l* j        reali /= 2;
, g3 R7 B# F# ^4 r! Y
; _  H) H- o5 ?/ j# F        int nconv = reali + lenB;
7 F6 W4 u7 F4 ?0 d: M6 K5 X: ~        //#pragma omp parallel for
0 d% _0 ]6 G. a% f5 z        for (i = reali; i < nconv; i++)
/ O; N  [7 r# f4 [3 w$ C        {
                temp.re = 0;
  z5 d2 N, }8 B                temp.im = 0;
/ G  \& H( ^% `: l0 {8 O1 I                i1 = i;
/ t# ~9 m' M* R; i6 {( M7 h! b                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
$ J: |- }# R3 @        }
}
$ b4 v9 |/ o, ^
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

* K6 M7 e6 k* _- P9 F% {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.
5 g0 \+ |/ h$ y7 G5 I9 a
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
5 a! M3 ?- B2 \* \* }
* p& m- I8 T% s- `4 V

雷达

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

/ ]' h2 G7 P! l' O/ D
* A+ ~" W# X# Z7 y. t9 U$ {2 u. B# I不应该，看我上面的回复。

) y+ h; l) u7 A. J5 e我更怀疑是 VS 社区版的问题

数值分析

' p% Y! I* m; B" [

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
2 j9 M# T: q  t! b- o5 a1 Z{
        comp temp, xtimesy;

+ @& @7 e- ~* q2 c- L/ c  Q
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）。
7 U1 I' k: l1 I  K3 a
: L% G/ q  |. ^/ P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。。。
+ B7 k$ c3 a. O$ s* ~; v# ~1 f/ V0 H+ v0 ^
6 a- b5 v) ]+ s, f( X, j6 k+ 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）。

1 U0 O! `) P: n8 j. {' z# u
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。
0 U0 F8 G3 T1 _6 J
8 c( K( q9 g+ h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 ...

, F2 f4 C  o9 z2 J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
, ~" m6 m7 B' b# t) xWhy 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
" \* C, d9 z6 M4 V" M" E; J这个不是这么比的吧。。。
$ _# W/ P- m/ T
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

. q5 q7 ^7 X! X+ k
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
1 k- j4 I5 S, j; 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 ...

1 x# U9 p8 w4 S/ A# V3 \0 l是的，兄台说的对。

; E0 f  ]# q" a% O5 u- x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。
( }2 E) T% c& r% Z/ B
1 Y- d; R% }& j; _$ M- |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。
  d& x' c5 Z$ X$ D$ 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

- `! M" ^3 l& D2 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 ...

+ S4 m& \! b, b3 e) U1 `3 D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。

' H' q2 F8 L- }3 E$ c) b我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
: f) S: \* s7 j$ ~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 ...

# p4 x7 q9 K* {: q+ K- K时间差一倍的结果可以接受。
! f9 D# g( Y5 a2 P  d8 `
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

0 ^6 y" t& M. m  {! r- h* L

雷达 发表于 2022-9-25 04:47
) e1 D- x' d/ i; [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 ...

: X6 ?; k% W) C; s1 ~

2 C6 n7 }) m- }/ j
2 K1 Y) Y9 P1 f4 [5 K* {1 f能不能把这个也贴上来，看看和上一个有什么不同？

雷达

数值分析 发表于 2022-9-25 14:58
( d, c) W% l8 X8 r1 ~( b/ p能不能把这个也贴上来，看看和上一个有什么不同？

9 z: Z: j5 b, S  X: P; E理了理思路，重新做了一个测试。
  t+ `' [7 f( g+ k" R5 N做了两个 vector 和 两个 float *, 都长 100000
) ]% k& n* N7 a+ f+ `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，
7 x! {/ ^8 \' Y% C# V. b- F1. 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
- i' H3 u  s' E4. 空循环 100000 次 202s
3 ^4 G/ R8 h, H8 A
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）
5 E0 D  h5 S8 e0 g1 F+ S2 M1 e
- g- ~) R$ Z$ P; u6 ?" x# Z（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 A( w" [4 T* a/ q! z

        std::vector < float > vec1(N);
2 M% o, {6 v# ^' n. c& \- M  Z        std::vector < float > vec2(N);
: p6 J$ W: d$ I$ u- G        float* b1 = new float[N];
        float* b2 = new float[N];
0 t: D; }2 `1 U- A3 R
        for (int j = 0; j < 6000; j++)
" B# i, c9 |0 Z% C# R8 j1 L3 G5 O        {
                std::generate(vec1.begin(), vec1.end(), []() {
' |4 a# j9 i8 B$ R: n# J& v                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

( |. W8 ^+ Y9 d  G* `( i6 V- L                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
: P4 N5 y6 R; N+ V* Y! Y
/ K9 `3 s( I2 ?( z' E9 t' M  Z                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }
; w9 r& u1 c, L/ U  B* M& C1 u9 C
                for (size_t jj = 0; jj < vec2.size(); jj++)
" A' f7 z! p) C* n                {
. ~/ N: s( O+ e9 u  K: ]3 i+ l                        b2[jj] = vec2[jj];
                }
1 @3 Q7 A: M0 B! o
! X4 r8 v% R  \6 i( j3 N- ?$ F: @) E" R                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
+ S" G+ u' S0 ]) R5 j                                
                //Method - 2  N=100000  237s
: p/ F: c5 F6 r                /*
  [  A$ D9 b- `6 m8 ^9 ]; G: s                for (int jj = 0; jj < N ; jj++)
& x# H* O! d' q- `3 Z4 V                {
7 N5 O' B3 j3 m( m; p& H  u                        fresult += vec1[jj] * vec2[jj];
, F; P* N9 K* b" g9 a$ k& d                }
                */
                                
: I; |1 k2 v3 o% |                //Method - 3  N=100000 204s
                /*
1 l7 C0 k, ]' h2 g. @6 m                for (int jj = 0; jj < N; jj++)
1 H6 ]  ]" @, @5 A                {
                        fresult += b1[jj] * b2[jj];
% |1 v) P# Y; E, |; @                }
                */
: U% V$ I1 i3 a% A2 k. z2 y) D! l
                //Method - 4   202s
# f/ \( l3 |4 Y" j6 {( c) e                /*
: n0 U  v( m! N4 `                for (int jj = 0; jj < N; jj++)
                {
% L9 z) ~) h7 q- J6 e, S- P. Z3 N" L! }                        
                }
                */
/ O/ |! n6 U/ q4 u4 n8 \                //comment out all methods, N=100000  202s               
        }
0 j2 Z* r( w; N- [) z1 {
! P: B  I2 a4 O& z1 R        delete []b1;
        delete []b2;

! h9 @* U, E. W

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？

  n, R' t; d: D1 E4 i2 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
: ?# m) @0 Q) e4 {- P
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
; h, X$ g% \4 ]/ e- M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

& k, q$ ]5 j! `2 L; i8 B1 K0 u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 c1 h" Z- \2 v' w! D6 \: M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)
{
. z2 @; k5 K" f" _2 x        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。
4 P$ l, C2 l2 o7 w# Y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。