C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
* ~! g' ?) G: G/ i$ L6 o% {% n
' N# M' q( Y9 x* t5 G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。

% V: X( k- K$ e" W; G  j速度优化问题真的很有意思啊。

欢迎大家继续讨论

数值分析

拉下来？拉多少？
" z- l2 e: y7 {把代码贴上来看看？
6 E! X0 w7 [6 Q+ [) F
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

0 |7 _1 `% @, [1 q* G, _

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)
{
        comp temp, xtimesy;
5 ^: H& n2 ~( k+ q1 \# R! t        xtimesy.re = 0;
5 Q( B0 P1 m$ Y: {( |  `        xtimesy.im = 0;
        int j0 = lenB - 1;
+ {- e1 Q- d+ ^; e8 V- R2 ]2 D  D/ |& X        int    i, j, i1, reali;
2 z) T+ i5 W+ @( V( e        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
3 k, ~6 Y: r* @# p8 S' ]2 T9 R. v                reali = lenA;
, q; \9 @( `& l3 S; u& a        reali /= 2;
1 h. M+ Y- Z( O9 K* v/ O3 R8 {
        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
& K, Q. `0 }% ^4 t  h8 r        {
/ p0 i, n  a3 `" h                temp.re = 0;
                temp.im = 0;
0 N  D  c9 E) J                i1 = i;
- f4 w9 V, T$ R1 y5 w, l6 L                for (j = j0; j >= 0; j--)
                {
1 p: P7 I1 i, y9 n! g, \                        /* floating date operation */
                }
1 x1 |5 C3 \" T, E0 Z0 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

! |- A" S, I5 l5 @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 x6 @* k/ u: Z4 Q  H# q如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
) P+ E& p' h- `! m1 p
+ ?7 d2 Q# v! |$ T0 |

雷达

风雨无阻 发表于 2022-9-24 23:33
) T$ P+ F& l; [  XMaybe Debug mode?

3 S9 i2 V1 D9 j9 A7 P不应该，看我上面的回复。

7 V( e- i$ d( I. Q' K' {9 f2 y我更怀疑是 VS 社区版的问题

数值分析

7 G) d& x, V, ?2 c' E1 s

雷达 发表于 2022-9-24 23:54
2 u; p. e% A2 t" Gvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
$ i8 X6 R9 n# ~{
8 K! G; W( t( M& w  j& h+ {; `        comp temp, xtimesy;

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）。
/ U: x; U; e) ]8 {$ i9 a
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
! F" |4 i  O" v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）。

7 a6 b! W# a, H
有道理。
1 `) ?; L3 G- C2 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
有道理。
" J& Y3 X8 d( V# `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 ...

- p/ u2 j/ a$ z6 ^7 Q5 z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。。。

8 |; \7 p; @8 b5 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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

! V( ]+ P/ Z6 S' W" N0 h& 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 ...

. Z4 ?/ l2 m. U* Y' u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。

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。
. E) B6 X% F1 `1 S8 @$ W/ F2 q2 ]
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。
8 R$ r6 E( p# z" q' n* ^
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

# o' s% K" a8 D' C+ ~$ B

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 ...

0 ^3 q& `, q+ i/ d! m; f
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。
" ~/ x1 h1 y% [+ |! s
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 ...

7 ~% }/ }% Z3 E( ~# u. ]. ^时间差一倍的结果可以接受。
" B& k; ^3 O" m2 w* `
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 ...

  H. q0 u/ f7 h: l
# X% H, _1 x3 c; f

- p/ C& X6 c( x% N3 {2 X" p* W3 V7 Q+ K能不能把这个也贴上来，看看和上一个有什么不同？

雷达

6 f1 ]4 l: C. h; T

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？

' g  S& [2 U9 d, X8 P: R' G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.
9 R* h. j1 q, ~$ T
& |% ~! n+ T) p* s, v6 a内循环试了4种方法，
* F: q; ~0 I+ T  j) [1. 直接调用 vector inner_product 247s
# |9 C- P8 J4 h3 S$ O: m  k' b2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
$ V* e( w' t5 e, ^4. 空循环 100000 次 202s

不做内循环 200s
4 q9 K  e  o9 C* q7 ~
  Z: \$ e5 d; N  ^* u4 K7 m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。
4 r  U+ S' _2 ^! `
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）
0 x5 _9 G! d. ~8 d* }3 P
（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);
        std::vector < float > vec2(N);
: i8 n: L/ ~0 `% k/ Y! M2 p        float* b1 = new float[N];
        float* b2 = new float[N];

4 ^7 }! w+ D) _+ h6 P# V        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));;
                        });

4 P- O3 j, g, q& ]) t: v( f! X7 d                std::generate(vec2.begin(), vec2.end(), []() {
6 M* \$ i2 S# H* X8 k3 I                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
4 C  b( M% p" _) y1 T& l# J* ]                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
+ Z/ L6 |- Q5 z% z+ H1 q' e7 F                }
( y: m4 G9 Y  m+ Q' |: r
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
                }
  d% b7 L' O! N: T
" P" ~) M1 w/ M6 ^' N                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
' P4 V0 T1 ^, r( P: V6 Y                                
                //Method - 2  N=100000  237s
  W5 H) A! G: X% k% G  v                /*
5 _) c; d  I! R0 e' b, {                for (int jj = 0; jj < N ; jj++)
) n  w3 U, V8 Z& ?, |, |" s                {
  y4 J" R" ]# L0 o$ G                        fresult += vec1[jj] * vec2[jj];
                }
2 i: \" I3 o6 I1 _  W. A  Y                */
                                
7 v  h3 a. M1 G                //Method - 3  N=100000 204s
" l( I$ L% n$ C2 A& p                /*
) v# y. k& {) b+ |                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
- t  `  u; S$ U0 f* H+ i                }
6 X" @/ d# t- k+ |8 ~                */
4 u0 r4 L4 k* i) t' l3 L4 ^  @: o: I
                //Method - 4   202s
  S$ d9 [9 d1 b                /*
5 J- O4 I* ~. U) s4 l# W# i                for (int jj = 0; jj < N; jj++)
; e! e0 t% w* Q# u" G5 l5 I                {
; w) c* a% `4 \6 \) I. k                        
                }
& N% n) h: \! D# `' V8 Q: A! ]7 H                */
                //comment out all methods, N=100000  202s               
        }

% N) f& r! `  K' q        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？
/ {' O. a4 d& B( R7 ^
1 v' x% n' S) ^) J9 Z! F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？
" R# A% g. ~# `. k1 }2 y' W. K

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？
1 N# d; }8 `% w8 d: O( A4 g0 V
# ~# m! ?& \' J5 u你第二个试验里面的j在循环里面又重新定义 ...

5 n5 O$ T* F+ V) 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
5 Y3 e! ^( a. J6 c) @9 x7 v/ f5 }
; |. @% u) A  {7 r4 ~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
- Q& B4 u. K+ Q- j3 B6 p/ ^. t9 o
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。
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)
{
& v% V* [; k8 l' B* ~        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？
$ V* }  k& a0 o$ p5 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。