C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

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。
8 |  \" D) C, V
, D0 R7 v& C6 Z) T" g# b1 \2 Q速度优化问题真的很有意思啊。
- e$ d6 g4 G% C# Y5 U
/ }$ v8 @! F' |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
$ n1 J  @0 h! u9 w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;
: c8 ~, P/ V# O, m' n) P& g3 z        xtimesy.re = 0;
* ]* ~: ?( l. `% ~: [. Z  L/ R8 g        xtimesy.im = 0;
9 X7 v0 u0 ~6 O3 J4 o* Q  C        int j0 = lenB - 1;
        int    i, j, i1, reali;
6 r* r: `* ~) G6 z        if (lenA % 2 == 1)
7 X, X# i& c. |" f! u& D5 o                reali = lenA + 1;
        else
! `! l, \' h8 h2 |0 d3 L. B* J( Y6 S                reali = lenA;
1 x! m* ?0 W" S5 y# B: Y2 m* w        reali /= 2;

6 V+ _* ^8 a* ~: C5 n        int nconv = reali + lenB;
        //#pragma omp parallel for
+ n: S* }( C( l0 n        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
# d) ?. ?% P5 i/ b1 ~' o                {
% D) [! A' z: L. d; ?" H                        /* floating date operation */
* s$ {& h$ h& i1 Z' q                }
% J, |5 r: B; R* M. c        }
  R0 X, A3 ?3 E/ i}

) l  F6 g# M. u$ ]! j: \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

* x5 x! `4 ?- O' }' v# T红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
5 ?6 u- z7 V' q. Z现在call xcorr 100次，耗时78s.

3 w: U5 |  M: M如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

8 t1 F2 h4 u) L' ~1 l

雷达

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

不应该，看我上面的回复。

7 n3 a! [% y. z0 w6 J3 N- \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)
{
7 L* S. a) x- Q' M% ]: E% E4 r        comp temp, xtimesy;

这个不是这么比的吧。。。
. K# k: l  o8 q- l4 ]
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）。
& M/ q! t, {1 G! ^3 r
! j; b0 K: N1 x: w: y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

3 {  f- u1 ^) a; J( G9 A

数值分析 发表于 2022-9-25 00:20
% ]' K4 T4 {: m4 ^这个不是这么比的吧。。。
& p+ v. y) [" l" C
7 K6 T" u: a7 b9 U9 M- Z0 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）。

9 Y4 \# U1 c' h6 [: B6 ?
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。

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
. O0 m8 w: Y7 n" I2 p有道理。
, N+ k- J5 K. j1 B4 ^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 ...

3 l* N; V: |& K- 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
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。。。
' r/ {% k$ Q# Z  ]7 p- D
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

! a' Q* f$ \1 \+ c! G# 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

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 ...

是的，兄台说的对。

4 ~; t4 ?9 U$ r, }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。

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。
( C: M2 ~5 x5 [. ], |2 N
# {4 r, k7 N6 x2 z+ U6 c$ ?! d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
/ f) |' X8 ?! @* Y& |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。
  c% v8 r, h% Q, j& H4 }$ Q) W
/ R8 v( n0 _3 U; ?我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
  N! X3 v! F3 p- y- U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。

6 u: p$ k0 ]2 {你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

) E# w1 F& A/ _7 T2 `. |

雷达 发表于 2022-9-25 04:47
) O5 y" ~( _% [* V. K9 t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 ...

+ c& g- p) E8 C+ k
& Z0 i0 W: X4 s) o  H, E; m

8 P3 a% z! x/ t9 h能不能把这个也贴上来，看看和上一个有什么不同？

雷达

7 S# C! f4 v7 q( g

数值分析 发表于 2022-9-25 14:58
/ Z. u' N; n4 o) q; D能不能把这个也贴上来，看看和上一个有什么不同？

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
% I) m' W' a0 v$ C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; N' I6 x$ Y; ?
内循环试了4种方法，
8 l" A8 [* y9 E' l4 f8 T) E1. 直接调用 vector inner_product 247s
  }0 x2 I3 c3 ?9 {$ m* H2. vector 循环点乘累加 237s
1 Q& d+ R; ^5 y2 M2 H: J. J+ w3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
* u2 U! X5 a' u4 L
& T  l4 G2 v5 H( k! b5 I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。
( Q) a" s0 B- m: Y# R9 q0 O& X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）

% C% ^* J+ Q' z- y（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）
# s+ \# S% x# N! ^
/ Q9 g  L; x: X! ~* E3 u, i* [+ C

        std::vector < float > vec1(N);
2 P0 e, |1 I5 B+ l0 y& n; ?        std::vector < float > vec2(N);
- d- L% w6 |8 ^4 ~: C        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
4 C1 y! w0 t0 H        {
2 H# B, l* v9 j8 \3 p5 G6 Z8 o* d+ I                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
* P+ f( [- [; `3 o; e2 s) }, |  H                        });
0 P) D1 {; F) T9 z4 Z: Q5 \" i
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
6 X. w5 p" i- O
7 F8 t% ~- L9 t' n1 g2 S7 d                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
, Q7 L0 @; j" \( w4 L) m0 a, P4 C+ |                        b1[jj] = vec1[jj];
- B! y4 X7 b& w( m7 x                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
. G5 n8 U# a, }1 [                        b2[jj] = vec2[jj];
: D5 l& J& K$ R. g                }

* @' l6 q8 G5 `, u1 E" ^3 c                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
* A* ]& I' Y; I- z; A4 ^# K                /*
                for (int jj = 0; jj < N ; jj++)
                {
. Q7 a# M, j: F& t0 F7 Z- W& f( ~1 t                        fresult += vec1[jj] * vec2[jj];
: y% W8 t9 }/ ?1 U: W2 ^                }
                */
0 d* S3 j- ], z  S, W3 D                                
+ L: n" g: W' p4 }/ ^                //Method - 3  N=100000 204s
( }/ @* a$ M9 r( c6 @                /*
                for (int jj = 0; jj < N; jj++)
: R4 L- m% x! K4 ]3 a9 g; }& O" F                {
                        fresult += b1[jj] * b2[jj];
                }
6 }/ S' i1 C  x, A                */
/ a6 l6 C# @0 H+ s* |
                //Method - 4   202s
& _& t: B! {# s/ f                /*
$ H5 u9 @' J8 M3 E                for (int jj = 0; jj < N; jj++)
                {
                        
                }
* K7 L0 z9 r- u. |* a                */
                //comment out all methods, N=100000  202s               
        }

8 i. A4 ^3 t" b; z* c6 d4 e' D        delete []b1;
, ]' S4 W3 Q2 l* ~        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？
7 U- b( N* C) [
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
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？
  m* F) C0 O$ a; [- f, V2 c+ f
3 W+ R$ g: ?+ C! U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

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
& E1 v) v! H4 x$ x
2 ]8 A. {% O6 a) v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。
. V, z) P% `8 F; U' R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)
: X# |5 H: j4 ]+ i{
        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。
4 [: J- m' P5 R* S3 ?; l; I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。