C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

, e& \8 z# y9 K, u4 o8 m) f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。

9 N& C: n- b1 B  w( O2 G  g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

; I' A/ v% k2 G% @4 I5 F6 x

数值分析 发表于 2022-9-24 23:04
6 d  h' e( [. f5 P4 w" k: N拉下来？拉多少？
把代码贴上来看看？

) w. j5 v! j# o8 \  m, S0 i% E( T. G
6 W2 N$ l8 N7 @0 o! avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
0 m; o! L8 x" i  Z5 L        comp temp, xtimesy;
$ D8 z. M, I1 V: C# [        xtimesy.re = 0;
        xtimesy.im = 0;
: j% U% w# R: m# F        int j0 = lenB - 1;
        int    i, j, i1, reali;
1 u' s  J& Z/ l2 v9 I        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
  m: p- o  H) t- C9 m8 W2 A                reali = lenA;
4 o% W- |- P( B- c* ^" V% g" L        reali /= 2;
2 y/ `; o* k9 Z8 e3 k0 o
        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
% u$ b5 u6 O5 |: ], u: V                for (j = j0; j >= 0; j--)
                {
4 P5 v8 ]* s# P. X8 N$ k                        /* floating date operation */
                }
: T0 y5 _1 [$ [1 }6 l8 E        }
  D0 Q7 t" w& u. C$ G+ i" v% Y6 p}

; A' w, S( j1 N9 R; Cxcorr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

红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
, h. h0 S/ u  T2 I/ c现在call xcorr 100次，耗时78s.
8 h- p3 Z# T0 N, ]7 V7 T$ [
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
2 M! [! b% W2 z1 n

雷达

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

! I5 y% f6 d, E不应该，看我上面的回复。

: p+ T. h# X  R! d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
; _0 S' v& C; m1 j6 }$ K5 V* F- M; Avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
( H, h8 [+ ]: n# D1 Y. S{
        comp temp, xtimesy;

' e, i; h: X+ ?7 n+ e! c0 r: @  f这个不是这么比的吧。。。

. T% J3 e! e" U9 Q9 _( 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）。

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
这个不是这么比的吧。。。
1 a- W7 N) F  T5 G+ e6 }2 \1 e+ F6 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）。

0 b/ i( p$ k( R  m( `7 v
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。

. Y2 W+ W* ^, J( Z$ M' 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
8 s/ d7 {' H/ H2 j$ G0 w有道理。
; M5 |+ p- [* n! 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，这大 ...

( h- ?9 c5 U. p8 s& U, p# A! 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。。。

9 U6 b  p- Q( m% Y1 f6 J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

% Q5 r* p9 E0 N0 |6 {0 [2 k% a
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
/ I6 v4 b: C" I7 Z2 u+ }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 ...

: g, M5 N& c* g$ D8 w是的，兄台说的对。

  s0 u' r  G1 ^8 Y# F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。

. l  E' e; \% q# l9 U* T7 K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。
! d: y$ q' [  `
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。

: o$ a# G6 E3 a: I1 \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

$ h, \! E, p, W0 U

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 ...

" r5 _' Y2 M4 W7 U/ r  u4 e
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
' h& e/ A. I3 n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。

* s* c0 S' J& O2 ]( F2 x你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

/ g! e7 m4 F, x. }

雷达 发表于 2022-9-25 04:47
: G/ ^- \" N4 C! p" l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 ...

% u) ?# s5 o/ K# U0 F$ s. I; _$ l7 P


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
5 i" B# D2 @$ H. M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。
4 `% U2 t1 b" J  h% m做了两个 vector 和 两个 float *, 都长 100000
; ~* Y$ P' P. |5 U  x" i1 M" w2 f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.
4 t; T3 s% `, c( V) |' |) C. r
7 G: U4 l! @2 K. n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
: J% \' X' W7 N! G* D3. float * 循环点乘累加 204s
/ |5 ?: \+ v* d4. 空循环 100000 次 202s
/ p  n3 j# X' M+ d% F
不做内循环 200s

: N' X! n& i" ^2 Y( M* l) `你昨天说的对，内循环本身占比是很小的，大头在其他处理。
) B2 L% `/ u5 e$ L! L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）

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
* X3 @! D0 l( U, Z+ d        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));;
" \# {) Y5 X  A: s) G( U                        });
) j& w* \; u+ P# F" ^6 u% o/ S% m
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
' h* G7 i& _) k; s" t
7 W: e) h4 j/ d- s3 Z$ P% i' Q6 j                for (size_t jj = 0; jj < vec1.size(); jj++)
) A6 x3 i8 Y/ r  u                {
                        b1[jj] = vec1[jj];
                }

2 P3 K! Z0 [  A* b5 P0 c4 ~                for (size_t jj = 0; jj < vec2.size(); jj++)
6 H3 W  i% q6 [' N1 @                {
                        b2[jj] = vec2[jj];
, I3 z" {- z$ Y; f0 S( w6 {* o* i                }
% `' @) ~9 C% q
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
$ C9 {4 W$ @+ L                //Method - 2  N=100000  237s
$ Z) r! t# y8 X' y                /*
/ w- k0 P  k4 R2 C9 @# X' p  w/ t                for (int jj = 0; jj < N ; jj++)
                {
- F- m  Q. ]+ [                        fresult += vec1[jj] * vec2[jj];
/ T( }( e: u+ V& C0 |0 n5 U                }
                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
( w. o. X' h8 C                {
* F7 v, u- |  l& P- T% h8 `( t  F                        fresult += b1[jj] * b2[jj];
: s" j9 [- d% o6 R' L                }
* j0 |4 ]$ K, ?1 ]) Y8 ?                */
- {. |* x" `( G5 e7 O
' P; b9 t+ w) F6 m$ L3 b* k                //Method - 4   202s
7 m  k' Q9 W2 ~                /*
# d* H  d& |+ {0 @                for (int jj = 0; jj < N; jj++)
. R7 i4 ^* @3 H$ @6 x/ L% M                {
8 p5 v7 _: S: o4 `                        
                }
                */
9 y& k. b6 c  C& E; a- s, x9 T, D                //comment out all methods, N=100000  202s               
; s* @' B& S1 ]# O- Q/ p        }

        delete []b1;
/ k5 g) |9 z: j& i$ @* G+ F7 K        delete []b2;

# j% {' B5 ^* X. q( h

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？
; z9 T% S& ?" ~
1 i4 \( r9 N9 q; z  \8 w6 R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？
* B( S; }0 L( W

雷达

机器猫 发表于 2022-9-27 00:15
! W' h$ R" f  o$ ~  d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？

/ C4 E2 F5 u1 g" |: y# u# B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

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
0 z' x0 [+ {- p9 n7 T4 j- c1 f0 S0 c4 ovoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
& V$ w0 f* p) j{
, G1 C3 r) T  M: _        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？
8 [3 o" G, Q- L9 M! H# _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。