C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
& M, Y5 C9 j- d  }9 ?& t: M2 H, X
9 X' H; f2 \/ u4 |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。
7 i) C; z' \8 L0 Z
/ `& k0 _0 h9 p% E0 {速度优化问题真的很有意思啊。

9 s3 Z! u) h1 M! C4 a0 ^欢迎大家继续讨论

数值分析

拉下来？拉多少？
( }0 v7 |! j: e& S) |1 ^把代码贴上来看看？

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？

* m: S) j$ p5 f3 o9 @" w; kvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
6 Z" ?6 ~" i2 A7 h{
6 W/ a& S3 Y! J; C        comp temp, xtimesy;
7 u1 G/ l& c* v! h        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
* u. a9 N# t! q6 ~0 }% g        if (lenA % 2 == 1)
: `+ T1 T5 g6 d' }' M" F                reali = lenA + 1;
        else
3 r% E  q4 Z4 y! S0 A: }                reali = lenA;
        reali /= 2;
# |6 O; [- w9 Z8 A1 u, W
3 d* b4 Z5 i: I% b3 `( P5 l        int nconv = reali + lenB;
1 J3 `' C( B( u* R# w: o: x2 i        //#pragma omp parallel for
, l; y9 G" Q- @4 A( C        for (i = reali; i < nconv; i++)
        {
/ t5 B5 i2 m, R                temp.re = 0;
7 d! h: r3 y1 R/ B* p/ \4 D# a/ L, A                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
        }
8 j+ N1 D/ \" y5 f! q8 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
1 C) Y* ^9 l4 f. D( P- Y5 _4 V
, M' p9 q' n( ^4 M) H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.

2 K' _, `" E7 Y5 [* g! a( w8 A

雷达

风雨无阻 发表于 2022-9-24 23:33
- z& {) G0 H: R5 F7 V  K- @* G! DMaybe Debug mode?

9 s, m) R- Y2 q  k! e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
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

, F  ~1 n6 a1 G1 O/ z" g9 l* b$ H
( D! N, x6 \( _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）。
; d, O2 }* N3 Y8 s$ y6 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

/ J) `1 f: r# E) M/ |) U

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
% k/ D$ p! b3 p# G" T$ H, C& U- y
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。
$ l7 u) Q7 r! ^& e! Z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
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 ...

8 I, h) _( ~( n$ n7 Q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
; d* D2 [2 \2 oWhy 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
  I2 ?2 N% Y3 }8 x这个不是这么比的吧。。。

, y% l" p$ [6 r: y$ I4 X7 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

$ A7 [+ d5 q' u% u6 @; I' r/ Q
. x- X! L- N( f+ X. i2 d. n' S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 ...

( F0 `$ i7 o0 ~, @
  a; d- X* S: \1 n1 V8 H是的，兄台说的对。

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。

0 Z+ B8 [+ ?8 @2 ^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。

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( ]1 r) l7 H0 f
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
! `& Z- x9 I* v  L* k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 ...

) `. k% f' L6 C& u, r
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
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 ...

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

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 ...

能不能把这个也贴上来，看看和上一个有什么不同？

雷达

+ K2 P- `5 P/ {/ a, [  p) P. N

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？

- }% r  J5 F( s. W! N! x6 o理了理思路，重新做了一个测试。
4 y' U) V" Y6 o: b: B" t做了两个 vector 和 两个 float *, 都长 100000
8 ~1 l# x# G* ^! v% R2 b, Z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.

: B( p. w, A3 Q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
+ F# p( W" u4 ]& l  K7 A3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

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。

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 p# E' ^& w7 x3 }. I) X6 N
2 y2 T/ I. L/ p5 {' B. O（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);
9 z6 Q+ ~% q9 g4 V        std::vector < float > vec2(N);
        float* b1 = new float[N];
; c5 L1 D  X0 Y+ ?* e% E) g- V        float* b2 = new float[N];
, G8 s: p5 a( d9 ~( e6 W" C6 B
7 q, \; W% n5 E' P( E2 L        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));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
' y3 {$ R7 F; V& u                        });
4 N5 I# |! E' q3 C9 J$ |
                for (size_t jj = 0; jj < vec1.size(); jj++)
- ^% J+ i# c+ r! W) @7 L) Y* ?                {
, j8 v! M" Y8 a5 d                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
2 m4 _$ _0 l. M( E! O                {
                        b2[jj] = vec2[jj];
                }

% p. Q4 y: B# A1 e; R                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
+ @" w# R* J6 `* @) N                                
# X. i1 `% S% v! G; w                //Method - 2  N=100000  237s
( O" H% S  E/ j9 x+ o4 Y3 u5 ]                /*
                for (int jj = 0; jj < N ; jj++)
5 l" v7 C9 M5 k% A# I, S$ }% ]( S. B                {
" G3 Q, W, W  W1 ^8 c8 C' V                        fresult += vec1[jj] * vec2[jj];
                }
                */
) D, {3 @. w. P/ n) d0 W                                
( F" D, l9 t( C- r; o                //Method - 3  N=100000 204s
                /*
) Z8 ~$ U2 q4 v/ q                for (int jj = 0; jj < N; jj++)
  X1 O) B" G5 |! ~: C8 r                {
$ A! w! c: O! l! u9 I7 R; o                        fresult += b1[jj] * b2[jj];
                }
8 T% H% A$ K* i                */

                //Method - 4   202s
9 i/ n5 w% _4 ?0 Q& Z1 w7 y                /*
$ i2 L; z) T( @- _$ |/ c2 P: Z8 M                for (int jj = 0; jj < N; jj++)
$ W( y0 }: l# d8 _, ~7 X+ z                {
                        
                }
                */
/ C4 Z, a* h( J2 ^" p$ K; w1 w# i                //comment out all methods, N=100000  202s               
% D0 _0 \7 d4 B% W        }
# }! g' k4 _: u) {+ c: s& M( g
- j7 h2 h6 C  w* p5 ^' j# ?        delete []b1;
, r1 H" x! l6 Y8 s        delete []b2;

$ M* S1 [7 i$ _8 X+ c! ~) v7 I7 ?

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？
2 n( X* k1 }) Z7 l# B1 @+ c( n

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？

* S3 x9 z7 b. Z7 x你第二个试验里面的j在循环里面又重新定义 ...

2 t% B& S- l. Y. j& @  Y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
9 z; g8 ]. v, b
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
$ B3 h# @; i" ]- J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

3 i" e! g9 b/ N不和它 ...

; S3 n4 p2 `3 Z+ v1 Z5 [4 V$ g
% ?+ j5 J7 h: ?+ p" z' t8 b0 f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。
8 C* T+ s; F% y  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)
) M2 h' [7 s2 e{
        comp temp, xtimesy;

4 M. N* s; F( E  E6 v( L, M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。
  P, {; ]6 A6 g; q3 G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。