C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

3 V  b! J+ _1 D1 u4 X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。
: S+ T" P: I3 l. }
$ p; a8 ]: l& V" }1 z" }; V; _速度优化问题真的很有意思啊。
( s5 S% T1 Y9 ?
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？

1 [, g$ u7 k2 t8 u; g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
! F( Y: Z# M  o; u5 {拉下来？拉多少？
) T/ Z) [  `! O8 {  I' _把代码贴上来看看？

0 |$ Y, v9 Q3 p2 xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
8 y; v# W) \8 w. K: R) o) C5 I        xtimesy.im = 0;
" P* g$ {1 n7 e) Z0 A        int j0 = lenB - 1;
+ i( ?! w1 k( n7 R" ?        int    i, j, i1, reali;
4 i6 V9 W* H  _9 @5 G, H8 _        if (lenA % 2 == 1)
                reali = lenA + 1;
$ L8 l3 [/ w5 L% h9 I1 ~4 z+ ^! @        else
9 x* X* A' f+ P/ A$ S8 I                reali = lenA;
        reali /= 2;
0 ~1 [! g% x# e* i; A! ?! W
        int nconv = reali + lenB;
# L8 c  Q  l* G# J' R8 d* L# j        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
; ^" T, {: O5 b0 J& H. a5 _8 m                temp.re = 0;
) h' C! r( i8 j                temp.im = 0;
1 I$ Z, j5 F& ~$ E8 p# ]                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
        }
}

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

% a- h7 u* H, m+ Y, o( q红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
5 I" X) C+ ]4 i现在call xcorr 100次，耗时78s.
, b/ d$ E0 h" O& n+ j0 y
. r0 b# m( G+ ?如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

) x) e0 o2 @% l# w% V  ~4 ?

雷达

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

7 ?$ K3 U6 m9 Q) z3 @不应该，看我上面的回复。
9 s0 _+ z  V! f4 O
我更怀疑是 VS 社区版的问题

数值分析

. Z$ X2 m4 @0 Q1 S: g, r

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
7 t- }* I6 P( r" ^{
        comp temp, xtimesy;

7 \! k) s* m0 n8 s' C) v
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）。
0 ?4 Q- F! R5 P  k3 u6 U- R+ J
% d& F/ s, t, U, r  ^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

7 F0 i  r0 T0 }3 G* r. t

数值分析 发表于 2022-9-25 00:20
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）。

6 @# m  e8 }( u! j
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。
; O0 f9 y4 n$ @& F% b& s8 T
6 v3 B( o5 S" U, N% b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
  ]% o! E& X* E2 y7 E8 S5 k2 z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 ...

  U8 u6 U. Z, N) b9 G' v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
3 v  N5 C* A. H8 DWhy 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 X/ s3 U0 u" x4 G. u2 u
* m& |( W6 L9 o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

( g, E8 \6 O1 I+ H! s# ]5 g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 ...

) l2 ~0 A, \! M6 A是的，兄台说的对。
* y& b# i3 N8 y, c
2 W% t! V9 ^8 Y4 b, k; R* K! E9 Y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。

, T+ _( u* K$ }. s! ]; _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。
  k, q7 Q/ V8 H9 A! |6 B4 R; w( B# N
3 {) C1 {7 D/ v/ U0 y  ~; D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

( h# V$ ~# B+ z$ _& t$ G

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。
' D, k0 E- M, b. h1 C3 f$ o% v  z
, ~+ \& m' J  V/ N% N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 ...

. B, h4 d- X1 V5 i' U: f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

; c1 I: F/ D$ H9 E5 `

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 ...

* m* F$ ^' r* t4 X6 a1 Q) ^
) R4 Y; O9 L5 T3 l
! z9 L; d3 e1 n% C+ r
4 W0 j( z  T% ]; z% n能不能把这个也贴上来，看看和上一个有什么不同？

雷达

+ @. }7 W4 J5 S: m/ r

数值分析 发表于 2022-9-25 14:58
3 |# P! q; R. \9 I( ~$ K( h能不能把这个也贴上来，看看和上一个有什么不同？

- Y2 g" G( X7 B# D: x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.

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

! N( I, i1 L  l5 z% s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。
! s# J* }+ u7 f另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

' \" d% M3 Y, n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）

2 a( J! G4 f# X0 D; L7 u* [7 v（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）

- v2 h" A' f% l; s' W/ J7 g. ^

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
: ^# s# {& f! S+ q/ z* O        float* b2 = new float[N];

3 j  o# @$ V# g9 r7 }5 n7 X4 |        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
- q7 {4 f9 S7 L& g3 q0 n) t                        });

2 c$ J* x1 P0 I  j5 _                std::generate(vec2.begin(), vec2.end(), []() {
7 ?* k- L+ [+ }( m+ |8 O1 L9 e                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
; x$ Y$ m! u7 C$ m                        });
4 {2 |, |# }2 u8 ?) G  @
0 q" l1 o8 s" u/ h- \1 y8 x                for (size_t jj = 0; jj < vec1.size(); jj++)
* u+ U3 t" k7 J; u" j                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
+ X/ [% Y1 _$ H- E0 G; y                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
/ N# Y9 u1 ~$ W- V! L                //Method - 2  N=100000  237s
                /*
8 _) A- g& ^. k  R* U+ O- ~7 v2 W                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
# S2 g7 @9 B/ ]$ Z# `( d! c8 U                }
                */
                                
% K% C, N& i' r5 u                //Method - 3  N=100000 204s
                /*
# @, f. {! f3 u. a  f                for (int jj = 0; jj < N; jj++)
1 ^  i% Q% b% [0 q                {
                        fresult += b1[jj] * b2[jj];
                }
( S0 z: f, ]$ k  M# U                */

6 @6 E4 c* n, [3 x. u                //Method - 4   202s
                /*
3 N+ Z  y" @- O& X" i: r                for (int jj = 0; jj < N; jj++)
                {
- H$ @7 F5 u: s4 T: C0 J9 ]                        
                }
4 T9 v0 d, u$ _" j$ Q  c" j                */
                //comment out all methods, N=100000  202s               
; W9 t4 q( O! g: M3 X6 b        }

        delete []b1;
4 S9 I3 v! H% L, f        delete []b2;

2 Q) S0 I  D1 V* o4 ]

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？
0 k0 F$ v; }  k# J1 q
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？
. c1 c. j9 Y" J! f) L6 w- l

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 ...

4 I; {: n* g0 I: k" p/ E1 @4 z- |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. @9 W& d$ j5 f$ b
+ }- t3 q, W' L: N% S5 g! R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
" P9 ^- u/ _( \- ^' }5 r
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
4 B$ Y8 b5 X% J$ y* dvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
- ^  O5 ^0 C) P! O        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。
: x0 x' S4 t8 B+ \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。