C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
9 S5 `$ e6 |" |! E2 s( M
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。
/ T: {0 p% _# F  m5 n) `
速度优化问题真的很有意思啊。

7 p2 V; G- p- {9 W8 E- 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？

# N# o! C9 ?. i! O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？
把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
1 [. o- \+ [+ Z( e  Z{
        comp temp, xtimesy;
0 E9 |" H" J/ R4 y2 J5 X        xtimesy.re = 0;
* E6 p- F/ @# r( F! b+ {        xtimesy.im = 0;
        int j0 = lenB - 1;
5 u3 y' a( w1 d# S- S        int    i, j, i1, reali;
        if (lenA % 2 == 1)
" t# v! C- p" `                reali = lenA + 1;
$ u1 o; U' r" f( v& b( ]        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
6 t1 `9 L6 q4 j% j        //#pragma omp parallel for
3 ]7 I7 P% P# w3 P( k9 s        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
3 A+ v8 Y  {) d3 Z/ J                }
        }
}

1 S; T( }/ ^# Q* hxcorr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
; M! s  ?+ t3 r# D
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.

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
4 K1 Q- f+ @6 O% ?4 cMaybe Debug mode?

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
/ F% l& w; r  ]1 O" W  p/ ivoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
  X3 U8 l% o( X{
        comp temp, xtimesy;

这个不是这么比的吧。。。

2 }/ f$ N* X; _7 U) F, O: H2 Q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 E9 j2 Y; s! [& k) ?0 C. S7 w
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。。。

) N( T; A9 k) z7 M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）。

. F* I$ e- ^( s0 O( u; W4 ]
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。
3 k3 Q+ Q4 D- x1 A/ c& A
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 ...

4 ], `& s+ [/ l1 c! {5 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
& S" M; E' M; S( ~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。。。

) O8 J/ s4 h1 I' }' _1 B7 b" f& \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

3 u5 p1 B% c% F2 p- _1 J& y, m9 w

沉宝 发表于 2022-9-25 01:48
% _- T" M- [4 D; G' S) {8 W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 ...

: K: O- Z7 x! G9 j( v/ o
是的，兄台说的对。

) W+ h7 g; e& j0 C( Z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。

* A6 ~9 J! b& d* h' l) ]2 L7 h  P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。
3 w5 a! g% u9 q( f
# N, o* b3 y2 g+ y# f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。
) J5 ^; ^1 o% Q/ M9 \- I+ h( Q
5 E# a- d$ x) T- W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

2 ~, w$ p( ^* p/ B& n& I

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 ...

; u) g: {# R" Q" h
/ [: r, J; j  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，时间差一倍，我上面这个差的太多了。

+ E& l; D) ~" `6 H我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
4 Y, T4 ^& d& g+ Z& Q4 a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 g# l0 t7 U+ t/ m4 g2 o' U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

7 g9 L( J$ j1 h: k! U

雷达 发表于 2022-9-25 04:47
6 W' R$ V9 e1 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 ...

. I0 k. e& l' S; u; B) W2 _

0 |3 t% e6 o0 r* q" e6 ^  P0 u1 v
* j) `) P  v! m  O* x- E- `2 m能不能把这个也贴上来，看看和上一个有什么不同？

雷达

& ?/ W6 _- p( i" M4 P

数值分析 发表于 2022-9-25 14:58
5 k$ ]+ b2 }+ M# _能不能把这个也贴上来，看看和上一个有什么不同？

$ Z7 Z+ ]. @: e5 M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，
8 z7 F7 T+ Z3 R+ S/ i1 \! B  z* Q1. 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
- |1 m  ?- F4 n4. 空循环 100000 次 202s

不做内循环 200s
2 L" j6 q6 T* s* O
, |, p% u! P9 ?2 m" D& F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。

, R: f- Y& Q2 K5 e# \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 E& j* q  D$ a; \! ]1 ]& R
0 `- @5 _5 e, D7 l# [9 B（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）
. I8 a/ L+ ~1 G

        std::vector < float > vec1(N);
0 e* d' d, N' h/ O0 g3 ~        std::vector < float > vec2(N);
        float* b1 = new float[N];
$ f0 _& |6 B9 P  V2 d1 h: O        float* b2 = new float[N];
. Q3 m1 {. e. w4 W
        for (int j = 0; j < 6000; j++)
, f  Z+ [; F5 R  }        {
                std::generate(vec1.begin(), vec1.end(), []() {
- W9 R; u) p- n, G! w$ B                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
9 F! F. K  {& p  N% I
. p3 O; v# W( A2 O! w0 Z                std::generate(vec2.begin(), vec2.end(), []() {
$ V! ?" b6 O* q# H7 L. s                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
* Z; V' F% t0 W: p4 n                        });
+ q$ p, t, F7 e
                for (size_t jj = 0; jj < vec1.size(); jj++)
2 |1 r* e8 \/ e" l! L9 {                {
7 H6 {) P4 D# k) T- X                        b1[jj] = vec1[jj];
4 s0 R8 r( e2 J$ q! _# C& k                }
% S0 L3 A% x  m, t; f4 U: \6 `
3 `+ f3 c5 c7 @/ F% X5 ^- Y$ V0 X/ t% d                for (size_t jj = 0; jj < vec2.size(); jj++)
- L3 i. _- o- t9 }                {
                        b2[jj] = vec2[jj];
; _  C# g2 p' [8 w7 R6 c9 c                }
/ \$ {1 U; `' v% K4 O& P4 |
7 F8 P$ r0 _4 ~                //Method - 1  N=100000 247s  
8 f( L1 u- N5 l8 w$ r* v/ Q6 h                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
, h' o+ j4 q2 j3 E( {/ s                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
                }
                */
: V( a/ v+ w. ?" }8 S                                
: B! P  J- J2 y  {5 ~9 X5 {                //Method - 3  N=100000 204s
. f6 R, w6 @6 T  P$ F                /*
. c7 X' D, T, `; r                for (int jj = 0; jj < N; jj++)
# O; Z$ Y# B' n- e) C( R- D$ q/ J                {
                        fresult += b1[jj] * b2[jj];
                }
                */
- p  @1 }7 J0 w- E
# n; u0 M3 V6 g7 F+ |                //Method - 4   202s
                /*
/ O* a* @3 e. l7 e                for (int jj = 0; jj < N; jj++)
                {
2 w* J  m/ g6 Y. W' Y                        
                }
                */
5 o/ C  C, o; E/ T                //comment out all methods, N=100000  202s               
* v, }6 h0 z2 D$ k        }
4 W" d3 S; D6 N0 ]. f
0 m7 m$ q, n+ X6 f  L        delete []b1;
( P3 [: ^' O* u9 ^. N0 P) v        delete []b2;

$ C- y2 r; Y& S1 p

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？

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

* _) z( A1 b9 P0 w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
/ ]* Q2 a0 t/ J! F3 q. D8 |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。
9 K3 D! b4 f7 h, F. W+ n0 ~2 e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)
{
5 `, \% W0 G7 F: z        comp temp, xtimesy;

  O5 q8 d# w2 J. c9 N  U# K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？
: r  `+ B/ k2 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。