C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

8 v7 b: |  A3 G) U0 T  p  M6 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。
$ m6 N" t# u  }. M7 ^
: w# |1 A* \1 h( a, r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？
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
/ a9 U7 I5 W9 m% G" Q8 h& A. s( ]3 z拉下来？拉多少？
1 j# K4 y% t5 \8 @$ D! g" n0 C# D把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
* j5 W3 ]0 U8 N' q5 V, |{
- n+ r3 ^) g% x* ^1 s% R        comp temp, xtimesy;
; {' h5 Q+ v4 f- E$ ?" Q! i        xtimesy.re = 0;
        xtimesy.im = 0;
- Z  R; B' N- `- v5 K( Y) o$ n5 ~" E        int j0 = lenB - 1;
# }3 a; a" i" W: z3 x/ ]        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
7 _* g; {& i: x! ]; d4 m2 B        reali /= 2;
- E3 _2 s2 N" j* R
4 \; N) Y4 @6 t. l/ h+ U- V4 _) Z& P  K        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
$ d3 @0 w6 f3 w* V( ^' e                temp.im = 0;
7 q% P) Y9 X: B1 t5 m' ]4 g6 p0 m                i1 = i;
' t3 B% D$ v6 W8 n2 k! T, X                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
) o' c+ N5 \! t                }
        }
}

, P4 s, T' g* D' jxcorr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
' ]& ~% V7 G8 X& g
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
+ }$ a' U/ s: s9 L0 N* `4 q$ j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.
+ Y( ^% F7 A9 |/ p: e% a
, w* c% S1 c3 p, c1 d, D2 x

雷达

风雨无阻 发表于 2022-9-24 23:33
Maybe Debug mode?

$ B* p7 H  w4 V不应该，看我上面的回复。
3 C1 n* U+ e* k: \
我更怀疑是 VS 社区版的问题

数值分析

  ^1 j, b; }  H! {

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
$ E& `! \- ^1 S# ?        comp temp, xtimesy;

, z+ n; U! ~) r这个不是这么比的吧。。。
) p! {- a9 S0 u1 G0 O' c
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）。
6 H. N  S! v2 |8 q" p
6 c7 B, i7 I" y- B6 S9 D+ 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

# X+ G( H% M# c2 Z" d

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
) D" `4 i+ t( X4 L/ S" [; [
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。
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。
" C! l) H& n0 h! Y4 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
9 D, c. G7 j0 ]+ @有道理。
: T4 R+ r" ~& L9 a6 d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 ...

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。。。

0 c, R  M1 W7 A2 ]) c0 U' 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

6 w- U: r9 u0 c4 J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

2 l* l) t# b4 ^  S$ c4 r" Z

沉宝 发表于 2022-9-25 01:48
7 f0 C/ C: V- {" \% I8 _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 M. @( n: c4 `- B. }
: C  j# R6 X1 p/ k# C8 A, [是的，兄台说的对。
5 k( M% P5 w" S0 l# Z/ `) 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。

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。

9 t& q) ?) r1 G, C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。
* I" w& s6 g- _: o1 q; D
0 Y8 ]6 ?5 X4 {+ k7 }+ R& Y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

( G6 S7 @+ J0 D/ M- s/ k- Y6 N

沉宝 发表于 2022-9-25 01:27
  t' H8 G8 Q3 ]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 ...

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' Q/ q" q) L& U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 ...

! E+ P% n* K! s4 x时间差一倍的结果可以接受。
$ s' n( O, L" v/ f: x3 a
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
; R# o$ L, t0 q# _: f  e$ 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 ...

) ^# |2 l1 U( a
. m# {* |$ i9 q
; k+ h" E9 b6 e
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

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？

& h3 {( N( h* w1 ^: p: E0 q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
7 V9 G( U1 t) _7 _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，
1. 直接调用 vector inner_product 247s
6 s+ a9 S, R4 G7 q" {& ?( l2. vector 循环点乘累加 237s
  {2 L$ ?: l% D8 i4 B: M3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
5 X6 }: ?$ X4 O& F$ H/ Y  R
: @: `; g! M3 O9 i  s6 w不做内循环 200s
* g4 `7 Y: R3 U0 u! y. {# R
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）

（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）
8 E( `* c1 m6 p" Z( O& z5 W
6 i- B9 R$ C7 ^4 X6 A8 _

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
  p/ G3 G% s( {, T6 T: D        float* b2 = new float[N];
2 G9 q8 ~: Q& e( i6 u: _
# T2 |' B' V& p4 n& I        for (int j = 0; j < 6000; j++)
5 ^+ I# }8 K/ g2 @+ ?" s+ ~        {
/ q8 N3 I" r' ^  {                std::generate(vec1.begin(), vec1.end(), []() {
5 U5 Y& w9 i/ n: F                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
, G% A8 j$ c: p; E9 B3 T2 i% p                        });

. T# M4 r$ m7 j$ y! i; g                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
3 e  q% s) l) U7 u$ K6 Z' v                        });
$ t5 z5 U! q/ T  P: {1 A% ]
" O! a( U1 i$ _                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }

* u; C  E8 }$ h                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
6 @' i4 U4 b5 X/ M1 F' [                }

                //Method - 1  N=100000 247s  
2 S* H% e1 z& D  |' A) W                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
$ M8 F9 N/ c( a, v& A' \, S                                
                //Method - 2  N=100000  237s
4 g5 F! v' B; }                /*
                for (int jj = 0; jj < N ; jj++)
- v" ?! e7 o. Q# o- a                {
2 }4 ]" [7 Y3 m6 A0 d+ w/ R9 Q$ t                        fresult += vec1[jj] * vec2[jj];
                }
5 g5 `5 S# Q7 z) y" ]) r                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
% s1 z& j, R' T+ d, F% E9 w- Y                {
                        fresult += b1[jj] * b2[jj];
5 m' A' U) D+ S: _! B                }
; v# B* A' ]6 B                */

$ J6 x! }3 b* Q( g3 `+ F' h1 X) E! R                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
& B  L  s4 t4 l$ c2 B: B8 a                {
+ S  i- O  J( R2 `8 ]% G$ W; C$ O                        
                }
1 G2 V  Y( K; \                */
: ^/ Z' W; `" Q6 ?/ F" k0 N& D: \                //comment out all methods, N=100000  202s               
, T: ~9 }0 k1 N! u* W% C0 v        }
( N! D& z6 U$ ?9 d( `: p
        delete []b1;
* m6 x, v/ [) |0 s; i: z% O        delete []b2;

6 c+ ^5 h# Q$ U- [) 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？
) `) T5 ?# k% D0 B) z5 ^
# R5 \' H! U( L0 e+ S* P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
: ?0 ~! S& {6 F, A, N+ m) s% {* y/ d' j. O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' ^* y+ S$ ?; y  w
2 D! h$ F8 ^4 j) R$ W$ E你第二个试验里面的j在循环里面又重新定义 ...

- W2 ]! i6 Q, t& I2 \* p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

$ Q9 V5 O% P/ O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

+ U9 g) u; n8 s. X& B0 x不和它 ...

  I" i$ ?3 x) r
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
# U+ Q2 E3 j/ U  X* ~. V4 Vvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
6 Q+ @8 r  b9 G4 @5 k& C{
3 h- a! l. X, U- t% r        comp temp, xtimesy;

0 i" n# e" m# Z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。
5 n% Z+ y8 }, y1 ]0 @0 i" H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。