C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

9 h& V5 x* B0 H3 s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。
; o& d* w# W" K" M0 O# p+ R) W
速度优化问题真的很有意思啊。
* W1 \0 ~" L1 o% N
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？

5 o: @/ p2 x) L' H& z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

7 [- `6 _( k1 y1 B3 `

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？

1 A  k$ P8 F; x6 g  ]7 ^; T
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
5 c9 d2 ^5 E8 e{
% z- A3 S) N3 H        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
4 a; V6 b8 G, R, a, T  {: L$ X, ~8 x        int j0 = lenB - 1;
3 c* g! ]  S5 ^' C! a        int    i, j, i1, reali;
1 T4 ^5 G: [  P, d; `        if (lenA % 2 == 1)
) V4 M" O: o4 W1 F                reali = lenA + 1;
$ t) K* T# J2 l! X, b        else
  n7 a% N# d. V1 x) a' h4 R                reali = lenA;
        reali /= 2;

% b) n1 ?+ Z. E* N% v        int nconv = reali + lenB;
( b) v& i' A" l: l7 k        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
$ {# |- m  k) o/ [5 C, a  J7 ^                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
' U6 ~6 v( h( X( o. b                        /* floating date operation */
# z8 ~$ R2 W+ W" m( Q, c$ `                }
        }
4 F: M1 |: k8 D}

  F% [% Z* O3 T* Xxcorr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.
- G: B  k  y( Q$ x' m- B6 u
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

雷达

风雨无阻 发表于 2022-9-24 23:33
- b0 v4 O5 v- Y$ \Maybe Debug mode?

不应该，看我上面的回复。
& V* b: d; ~7 C, d8 C$ ?
1 g) ^7 k! W8 G我更怀疑是 VS 社区版的问题

数值分析

1 p6 V( k' I* r/ Y) P* e

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
' @0 g0 ?: R( A4 i{
9 e# f6 v; M( K1 f) g. M        comp temp, xtimesy;

# F7 J4 S, \+ ^2 d
' h! q9 K, q) s' o4 P. @这个不是这么比的吧。。。
) ^: S( X' k- X. w: v! C
8 {8 F- V/ ~4 i0 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）。
) s5 U& A) i0 t1 d4 E5 r
# p2 R& [/ N/ z# 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

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。

/ h/ p! m0 I/ W# |: S6 K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）。

' h! B* z: _/ [4 b# L# {7 E' M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。

8 F# Z* r. Q: k4 n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
0 r8 C; A8 |5 o0 k- T( @8 L. \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
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
这个不是这么比的吧。。。
9 D7 o7 E$ z; A" n8 G3 _
5 e' l" @$ k2 t4 i, 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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

+ j0 e5 P6 ^7 D& r
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
6 r: u; z5 s. h6 q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 ...

) h/ B3 k; n* `6 Q7 b是的，兄台说的对。
; A  ^( M# ^  O1 a6 f7 [1 t  f
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。
4 J' L+ Y5 |3 [6 S7 F9 `: o
; @: d& Z) W% r; @$ S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。

! h' L5 D  l7 d0 G. ]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。

  N( }# M$ p7 E4 J3 X' @2 a7 I# p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 ...

' d, S/ t$ q6 F1 H' J% @) O' k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。

我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
) J" g2 g1 s2 d4 P, w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 ...

; Y8 K0 ^! o& J% u) Q8 K时间差一倍的结果可以接受。
( s1 s6 y: _$ k+ @$ W1 b9 B
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

1 Y+ J) @2 w4 k% @: Q4 s9 G

雷达 发表于 2022-9-25 04:47
/ N7 x( u7 n4 c" s' ~$ |9 o4 y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 ...

  a) `( ~2 _$ @& {! s4 V1 E  s, J
" w- }2 U5 l* J% i能不能把这个也贴上来，看看和上一个有什么不同？

雷达

8 M& W/ X7 S: W" T- L1 @

数值分析 发表于 2022-9-25 14:58
6 ]0 {* Q1 j$ j+ P! @! U5 ^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。
+ m2 N: p9 c& X1 B8 x3 j( d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.
7 N0 A" b( E2 m/ U# j
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
  d% S: {1 C! `8 s: @2 @/ l4. 空循环 100000 次 202s

不做内循环 200s
6 S. A) W5 n% C  E
你昨天说的对，内循环本身占比是很小的，大头在其他处理。
8 v" Y4 Y6 z) ?8 J4 K, d# `$ c另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

; u- L3 E5 S3 m6 v2 ?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）

1 M( A1 c# x! e, v& 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）

        std::vector < float > vec1(N);
( R% T( S( b- N/ y% e        std::vector < float > vec2(N);
        float* b1 = new float[N];
7 o( O1 E" Q- O( W+ J0 X! v) w' z* _        float* b2 = new float[N];
% @# s" P# ~' q, b; i& j. d
        for (int j = 0; j < 6000; j++)
        {
9 t# I$ W- `2 W( @" T- t# E/ J                std::generate(vec1.begin(), vec1.end(), []() {
+ ~  d) P. W) w$ l4 |# p                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
; F: w2 s0 D7 Y' `
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
- C- h/ H" m" m- _; o
8 k& q, z8 I- T0 u: e                for (size_t jj = 0; jj < vec1.size(); jj++)
) D. W# f/ t( X4 h/ \                {
' q- f( U1 {& F                        b1[jj] = vec1[jj];
                }
+ ^/ s% o( [! w
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }

9 W) J+ `8 l" i- n% l: E                //Method - 1  N=100000 247s  
6 q& }* I) p9 W                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
3 a$ {! _: m+ _                                
) h4 Z& v0 D8 O$ ~5 ]) |: d) F                //Method - 2  N=100000  237s
                /*
# l* Y, N8 }; {# p( \                for (int jj = 0; jj < N ; jj++)
                {
5 [  V2 ~% Y3 s+ l% R                        fresult += vec1[jj] * vec2[jj];
$ W% Q$ c+ X, H6 O# l# M                }
4 l$ F! n3 U' H4 Y4 e" r                */
                                
) K. S7 p1 q/ W7 @7 s0 t9 l                //Method - 3  N=100000 204s
; u6 C' ^; ^0 M* v! t                /*
4 u' R. [! X( t; f' a! ^                for (int jj = 0; jj < N; jj++)
9 F+ e' P, l& C7 i# i                {
- R$ D! A! l8 S                        fresult += b1[jj] * b2[jj];
                }
                */

3 a) H. z( ?) M# O7 M                //Method - 4   202s
8 k/ Q2 B! J' N3 F& _                /*
                for (int jj = 0; jj < N; jj++)
" y  A4 ^+ z5 S! ]4 E                {
                        
2 R7 ?4 X: V9 H$ p2 o! m4 B                }
                */
                //comment out all methods, N=100000  202s               
5 g6 k2 Q% o; N        }

# |1 T: |+ u3 \        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？
4 k# x; w) a2 }5 M9 F6 p; k
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
+ V  k. c0 ]/ |; q* ^, v: [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？
  f# `$ X: X6 r! |+ R( I
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

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
' L- F! g% }4 `$ |
0 y2 S# M+ j' w( F& ~不和它 ...

! q% F. f7 x, C( C1 r! p  }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。
- O* p- _$ \! w  ~# Q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)
{
4 k6 C4 z$ |/ o9 f  _: N; p* N# a% g        comp temp, xtimesy;

2 a# s- k* x, q/ v: u  H3 B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。
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？
2 m6 k1 m$ k6 D/ I+ I- QVS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。