C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

  i3 Z5 N7 L2 k5 y! p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。

速度优化问题真的很有意思啊。
  I, ]+ X4 x" P4 d
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？

( p( D" B  f. U$ A( U6 A+ m* E0 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

% Y8 m$ b% f7 S! a9 {8 o/ i

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
/ h% O3 g0 z  ^* S: c把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
- D6 }% d3 Y/ P5 h2 d5 J{
2 j0 N, a, _$ V9 \        comp temp, xtimesy;
5 H8 ?' [3 L2 J7 o# w0 d% @  `# b        xtimesy.re = 0;
        xtimesy.im = 0;
; a' \9 N8 ]) H' N        int j0 = lenB - 1;
3 ~3 r% b( }0 z. Y- Z        int    i, j, i1, reali;
. g2 K  v2 Y3 b; R        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
% j! H5 r, z, h( i                reali = lenA;
        reali /= 2;

9 ]: m) P7 r$ e* W  ~. j        int nconv = reali + lenB;
$ t: C9 ~6 U/ }8 u! Q        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
1 u& {/ K: L$ J8 Q        {
: ?, V  o8 L0 ?- D- S# K                temp.re = 0;
. m4 \, @1 E7 `# R                temp.im = 0;
* N; P. S6 i' b1 x                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
6 A  o* \0 }' U" A3 M; F/ G                }
        }
7 ]* `* a$ H: V$ f}

9 z( e7 A" s6 S  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

红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
8 E  J' I1 _, t5 x9 L: \7 M) |6 C现在call xcorr 100次，耗时78s.
+ K3 H% }( s% R3 F
' P' l+ G5 \. p" k如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
/ E: |: Z& f6 @: w, c
0 j9 @) {* j$ U

雷达

风雨无阻 发表于 2022-9-24 23:33
% _1 c' S1 H- F: i! l' HMaybe Debug mode?

) u3 N9 G' n6 s/ T, [& L
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
# Q  A+ G, w4 c* ]' P. `! wvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

% f8 ^3 O1 d3 s. P$ J/ F
这个不是这么比的吧。。。

3 B* ]' E$ L# j2 I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，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。。。
& B) W% A2 k/ v% p' j# A
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）。

$ {( t$ B4 `/ t. `+ s  k0 n# n
有道理。
# y) ~% s& c- D7 m/ J) k, k  e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。

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
+ r+ }5 f& ~  ^% h/ Y9 ]有道理。
& j) O5 a( E( E' A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 ...

7 @$ p1 ~9 r6 {6 O9 }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
) ^( v5 S0 C5 {6 v9 R' L这个不是这么比的吧。。。

! A" H# k+ K* l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

8 g$ S. w! p! T! w; N5 }+ F2 m2 ^  ^
% o7 D: m1 M" q% n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

/ x9 a$ Z% j  d; O* t4 k% ?3 [) g

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 ...

7 X' O0 S7 q7 @6 @4 [" b% e8 H
* K  t) G# Q* q2 e4 p; Z) Y是的，兄台说的对。

1 B, W! j4 J- a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。

" m6 Y& r# {: j8 d- ?! _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。

. u0 n, K1 P8 U; t/ S9 V$ z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。

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
+ H: w! U. J1 [  R4 _, ?* O' [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 ...

0 D4 ~' |! |0 \( [2 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，时间差一倍，我上面这个差的太多了。
" g" W9 f& n/ ^! o$ v: p8 r+ R
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
) h5 {7 l. K- X  n: V/ e; v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 ...

8 C! ^$ t, y% V& h& Q4 j时间差一倍的结果可以接受。
* q) D! B! I; a+ N
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

, r8 l" ~4 w+ N) _! F6 H

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 o& \: R) i, L) \


能不能把这个也贴上来，看看和上一个有什么不同？

雷达

  k$ _/ l5 C* Q8 e

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？

/ ^9 e5 {4 c% w5 s7 Z, [理了理思路，重新做了一个测试。
' Q; B. L% H6 u  ^' X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，
3 a6 ]" x9 a/ p9 L6 u" E1. 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
' d6 L# G( n1 ~4. 空循环 100000 次 202s
0 ]% C5 g( ~0 g# E# K' z8 a0 z. P
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。
' v2 C; d! h$ a6 p
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）

' T8 q2 h7 r* |  I. N（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）
. u& @& g5 w3 \, ]/ P: u" n2 T) G
' p# s( y/ a2 @: g) s* [' P0 ~* @6 R

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
* S) I' N6 u! g        float* b1 = new float[N];
        float* b2 = new float[N];
" r& v2 x6 `- a, Z- l/ d  t
+ _9 u" U" d! s3 [* ~# w( p  S        for (int j = 0; j < 6000; j++)
* L8 K1 x5 @" B0 V        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
0 T1 d( F3 H. T
  [. c' Z5 r3 `1 b/ o                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
9 k0 E) }/ [9 S9 B3 E                        });

9 I$ j3 l/ \, M- g& Z) _) z                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
, Q# S4 H; i  j$ a# }5 t                }

8 _4 d& L; J& j& S5 o( O% k                for (size_t jj = 0; jj < vec2.size(); jj++)
4 B5 X% O% N: C5 x& L! ^7 t3 h                {
                        b2[jj] = vec2[jj];
                }
3 w5 Q( j2 ~6 R! ?
  u9 c- b/ }8 c( ?) t                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
5 t5 g7 H! r1 W, Q                {
                        fresult += vec1[jj] * vec2[jj];
                }
7 u- }  K) w1 w* s5 `& R2 m- |* o# I                */
                                
# R' K: S* W3 X* ~& T2 i                //Method - 3  N=100000 204s
8 k  w$ e' B9 Z: ~4 G                /*
5 \8 U( R$ q" b1 |/ J                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
- M: `0 J! u3 M+ P                }
1 c1 w. v9 ?7 r! c% }* y8 S! D                */
4 g/ W) r% F/ i- r# y, D, i. o
                //Method - 4   202s
                /*
8 N" m) d/ C1 A$ X2 V- Z1 ^/ T6 ~                for (int jj = 0; jj < N; jj++)
                {
                        
; `  T+ c; D6 v8 U$ f. F* g                }
                */
                //comment out all methods, N=100000  202s               
* a! n* w: N, c$ A        }
: q3 M; T) p8 i6 F9 |$ c
3 n$ a1 C$ V; ^4 b        delete []b1;
        delete []b2;

- @' c/ i! _1 ^- [5 B' ^+ 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？
  O4 s% y% k* }( v" ^0 \
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
! Q/ ]( W7 `5 @0 b% p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？
* H& y7 V, c1 h! C" S6 Z4 w# j8 s" E
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

7 [0 O5 R6 r4 u% W# d$ y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
3 U  T" g% w6 ]/ u" U& Z7 q/ u4 Y0 i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 ...

# P& d  Q; U0 E. g
5 t% {) x7 ]2 B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。
$ I$ N$ y, {8 Z8 e1 p! H+ J  z1 z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)
) k6 |# P! T: t6 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。
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。