C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

2 j# o% Z9 M! P+ C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。

/ l8 V/ V3 q5 a2 M! n3 W速度优化问题真的很有意思啊。
& p! g2 g7 U4 [- I0 R' f; T
欢迎大家继续讨论

数值分析

拉下来？拉多少？
/ n! @. H9 ?" X8 M+ D! Y把代码贴上来看看？

) T& t! }+ Y; _- d5 }: L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

& k, z7 Y# F7 E5 B6 }, A' x3 ^

数值分析 发表于 2022-9-24 23:04
$ J3 W& r, [' ~" j( _拉下来？拉多少？
把代码贴上来看看？

3 U% I2 v  P) H% D3 M
0 U% F' ?! x8 Y3 x7 \, o1 evoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
; n# u, [( c% X" l" f{
2 o" L% e- |& q/ u        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
/ d. S, S1 {1 {; k. A        int    i, j, i1, reali;
        if (lenA % 2 == 1)
/ G, g9 M+ E7 [& }3 A5 ~: a                reali = lenA + 1;
9 N; l- V$ Z- O$ r' {! j. C, a8 o        else
# t0 Q( O- N8 F                reali = lenA;
        reali /= 2;

6 X" O: u' s$ \. C        int nconv = reali + lenB;
& @# X* _5 h7 m        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
' r8 \6 M5 m. m$ C$ S% z% u" t3 m                temp.re = 0;
, F$ B, k) z& k" K                temp.im = 0;
                i1 = i;
, t8 ]) i, `5 j3 p, j$ T                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
6 D& x2 j$ ]0 \$ y9 B6 O0 l                }
9 j# Z3 R. T+ U  e        }
}
/ L% z6 ]- z8 S+ v, g" g# p
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
% [6 l( O# B; {- z
6 W$ `* k8 S0 O. Y& M: a9 Y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.

7 C/ c2 ~) b# C* A1 y4 W2 Y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
- M- o) ?4 z- o+ U. {, `! yMaybe Debug mode?

; [0 q. S; W2 i
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

- q+ f) l7 D& v0 N

雷达 发表于 2022-9-24 23:54
  x# E: i9 U0 uvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
6 {2 M6 r- N) F: k) x{
        comp temp, xtimesy;

2 F4 h5 A' n, T这个不是这么比的吧。。。
& z, U: d" L1 e3 r
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
$ I; U! n: L; I6 g: `2 L' T这个不是这么比的吧。。。
# n0 a- G3 v9 d; [4 z  N
4 L) y+ k% M9 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）。

有道理。
' {- o; I: l) v: o, q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。

5 A4 H* Y1 F: X2 V( C( R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
9 a, }2 \3 e6 P7 E0 T, f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 ...

' c; p1 L/ o" k+ ]3 j7 F: z# 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
6 |% ?2 J: `% h% ^  v' nWhy 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。。。
. K1 c! _) c3 a
4 K8 u' e! ]5 `$ ~% u: s2 }5 h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

0 d  _6 x7 l) A2 P; X( f* ?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 ...

3 T6 x6 n3 W: p+ B
是的，兄台说的对。
! d9 a, y4 k  P) r4 }8 M- w; u
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。

! m5 w8 x& d; y4 U) V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。

- r% K2 d0 j- f  W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

  Y' E' i# `* [

沉宝 发表于 2022-9-25 01:27
3 i, i* k9 _0 n9 F4 F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 ...

' i  {8 A. H5 j# x$ X" S* F
8 }& ^0 q) K- Z: d4 _4 ?4 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，时间差一倍，我上面这个差的太多了。

9 s, [! `: z0 w4 Q4 D- W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 ...

9 \1 u8 z/ d, ?) Y, F" q0 Q9 @! E时间差一倍的结果可以接受。
3 {  z) M: K8 z. p) ^
2 y# _# ?2 j  ~2 V0 \/ S1 J你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

1 d0 V, A& y6 D& Z7 g, u

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 ...

  I# ~4 S: O8 p9 C+ j
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

( Z) \  o/ r- F- ~

数值分析 发表于 2022-9-25 14:58
6 E+ T8 ]0 l! ?7 K; W  I能不能把这个也贴上来，看看和上一个有什么不同？

: J6 j  h! H! z4 Y( s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
2 K& {1 r) l5 N- O$ m) |; z' M, i0 d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.

% r1 ~; M: d+ C内循环试了4种方法，
# l' a2 W, k+ ?1 U5 B4 n1 O( z1. 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
/ v* c0 a5 d! ]  p* M4. 空循环 100000 次 202s
( ^1 Y& B- @- k9 H* X
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。
$ C9 l# o, U/ g: i) f7 o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）
9 X1 S. N# W; ?* h
（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 @1 G0 D( [5 L7 ]/ g
/ O5 p  m2 z! h4 {

        std::vector < float > vec1(N);
$ G6 W0 \! N' ^$ n; |# G( W        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

        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));;
                        });

6 Z1 ^6 m0 p. |                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
- D+ T6 I3 Y" P- a/ B                        });
( h2 X4 A$ m: o' `; l2 h
# k# i! p2 _% m                for (size_t jj = 0; jj < vec1.size(); jj++)
! j6 a9 z; k: L4 i, |                {
" I9 t2 q% H6 O* {, M% j                        b1[jj] = vec1[jj];
                }

5 q. y. o. b' r; V: t$ T2 ^( l                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
( S( l, _# h7 q1 c3 A# a                        b2[jj] = vec2[jj];
                }

4 k( M  l, _) L/ }                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
; H# |" l; n2 `                /*
- J7 Q+ K0 ^1 g                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
                }
9 f9 J8 X% }6 J                */
& N" X  ?/ ~8 j, z  h6 ]                                
0 N  p; W( x9 h3 f  I                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
) A; |2 c1 }% M5 Z0 t5 {9 L0 D1 _                        fresult += b1[jj] * b2[jj];
                }
                */

                //Method - 4   202s
1 z- @3 F+ f: p* |# ~                /*
9 f6 t- R7 H5 s7 [' y                for (int jj = 0; jj < N; jj++)
                {
. S; Z5 V2 O6 @4 @4 m' j                        
                }
  I& S# J5 q9 o                */
! n2 a1 x. T2 D' [. ^                //comment out all methods, N=100000  202s               
        }
1 H) U8 p  \  h1 t
        delete []b1;
8 a! f( f* k9 O        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？

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
8 U/ H2 E3 A' U9 Y# 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？

你第二个试验里面的j在循环里面又重新定义 ...

  _; a' S. x& w9 A6 F/ v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
( G9 u7 c4 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
5 u6 t( G) d7 O% F* K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 ...

; t! B* o8 x" t* p5 G. I( }
2 [, K5 W" e8 [5 |3 ^( Z! ~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。
- q9 ^$ B2 I- g1 G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)
: Q" {! b! R& j/ z: \) J{
        comp temp, xtimesy;

0 C5 l% f  i' ]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。