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。
  K. e5 H/ i  ~% E
速度优化问题真的很有意思啊。

$ i  ^, {1 x( B: K欢迎大家继续讨论

数值分析

拉下来？拉多少？
) [; h) N( p& u9 n. q: |把代码贴上来看看？

8 D* p3 E3 G4 c3 w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
/ Z5 k4 B( {  }3 \拉下来？拉多少？
把代码贴上来看看？

6 j6 N$ Z& V7 S3 \
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
: A/ N4 B) t1 A6 J+ P        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
  S- _7 t& M0 C; e, b9 k- v, E        if (lenA % 2 == 1)
                reali = lenA + 1;
6 P$ _+ G# |/ S( s        else
                reali = lenA;
! Q9 T, [& C: N        reali /= 2;
4 c) E' g, a/ M8 G+ V2 c9 X1 \' }
/ [$ `$ l( M& E* e        int nconv = reali + lenB;
        //#pragma omp parallel for
* o: j  k/ g% O        for (i = reali; i < nconv; i++)
        {
( g( Y9 u$ Y; Y" i, |5 y, G                temp.re = 0;
                temp.im = 0;
1 P7 u- Q: o+ O                i1 = i;
                for (j = j0; j >= 0; j--)
, q6 }* \+ E5 F% Q                {
; @9 b: d0 P$ f+ e% [                        /* floating date operation */
                }
$ G8 u& Z: O4 v/ U& ]/ X/ W4 n  a        }
}
; K* ~0 u7 E, Q8 D7 v2 Z- e. R
7 H; w, ^7 y! B" u0 c2 xxcorr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。
4 d* s( y; o- A$ v$ t现在call xcorr 100次，耗时78s.

' g, A* k2 x0 A( b" c! q如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

雷达

风雨无阻 发表于 2022-9-24 23:33
" d2 t# z6 L$ M; b7 B( uMaybe Debug mode?

( b$ w9 {: T, s0 B& c% ]# l
9 q1 Z- c1 ^% D不应该，看我上面的回复。
$ x6 q4 l) E" N, }8 O8 J& w
: V+ f, }1 e5 b我更怀疑是 VS 社区版的问题

数值分析

. V6 @( p* ?* C; c

雷达 发表于 2022-9-24 23:54
% A2 B# a8 ^; P3 rvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
  P6 m3 x& k' `; d! I{
$ d4 I8 O  T  j( A" h4 e$ t        comp temp, xtimesy;

$ p. t$ V  F" S
这个不是这么比的吧。。。
5 E6 `& S3 Z6 \* X6 p4 E
0 ^6 N, ?2 b5 g7 j  q, G, P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）。

: D7 N( u- V+ l6 H! f8 I8 F8 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

数值分析 发表于 2022-9-25 00:20
$ m1 k4 v1 [5 C/ _2 N- F- y这个不是这么比的吧。。。

& t/ ]; _7 h( M' B2 J8 A3 i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）。

3 V* Z7 ]8 s8 |6 ]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。
4 U- |2 x- _9 x. q' s
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。
0 ]0 [; l2 U: z& u& \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 ...

$ x- y" u" _8 A) c# _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
9 e) D% o) o  j; n  WWhy 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。。。
( N& ^3 h0 o1 N. A% 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

3 E% H1 x+ X! _  ]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 ...

+ z0 j: x5 M5 H  S% S
9 N- X' x5 `+ m3 e* ?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。
' o2 e- |, `) l/ f' A
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。

8 B. }, [  t6 g7 n2 n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。

0 ]) [3 ?7 V  Y& G9 a/ i$ |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
2 b1 d! e0 v# `* U  e7 A* [3 H3 s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。
# h4 V& l6 G; r2 P% E8 s( D
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。
# b( Z1 x( ]- ^( \' [' B
& v* t* [) |' r. r* D* c) T9 c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
: I) J1 {# R4 m6 V0 D" X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 ...

& h6 {9 N' ~0 P6 u3 i6 \


能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* j6 z+ p5 N& i3 a3 A; S6 {5 _

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？

5 u: T; j+ D3 |理了理思路，重新做了一个测试。
* J) z' d+ {) ^* K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.
* p4 [+ ^7 f. c, L9 w4 I0 P
内循环试了4种方法，
: Q# f" m, ~9 `6 \1. 直接调用 vector inner_product 247s
# p, Q) n/ c) \' ^5 f2. vector 循环点乘累加 237s
+ m$ F/ Z0 z; E; l( f$ [3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

不做内循环 200s
/ N- `: m- q9 _8 E$ 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。

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）
% P, l: |( ~9 V( |% z, J
% n8 f3 A2 ^  p0 I2 [% k5 l5 k3 x' E

        std::vector < float > vec1(N);
6 B$ g8 ]4 R. A' Y' w8 p        std::vector < float > vec2(N);
- \4 h. Z2 x- M* o9 Q: l$ {% g1 @        float* b1 = new float[N];
  z  L7 {& w9 ^  j. k! y        float* b2 = new float[N];
7 q+ B: L  W( P4 Y% {  C
        for (int j = 0; j < 6000; j++)
; J0 v) F# o3 e  T# y4 D) Q& F# H4 o        {
                std::generate(vec1.begin(), vec1.end(), []() {
# Y- ?  S/ b! j& ~" G                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
$ _. O% ^% W. S! O! s                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
% p& }& Q5 _. u" \, d! l4 ?                        });

/ L4 G% M. H, k( y- F                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
. G0 w/ g4 i8 k4 k0 a" L                        b1[jj] = vec1[jj];
                }
3 a% X) U6 w) ^5 ?8 I
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
2 u# P( C4 C2 F& v                }
. [, w2 h3 m$ X5 c; p% i3 N
                //Method - 1  N=100000 247s  
5 v+ @1 l' \& H% ?. T$ }6 y4 o# N                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
2 x8 m/ K& t" s+ k5 J9 E$ [                //Method - 2  N=100000  237s
                /*
- l% T4 m0 S; Y                for (int jj = 0; jj < N ; jj++)
! J: ]: Z* y; l9 J, l                {
                        fresult += vec1[jj] * vec2[jj];
                }
" w  H4 y4 Q# M2 P                */
                                
9 X+ e8 Q0 ?/ N                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
5 [" `: T( {/ y: |                {
, X6 \9 f% c2 S) r+ Y, G" N- V                        fresult += b1[jj] * b2[jj];
/ \/ D0 F, U; ^* z2 o9 O4 u8 t                }
' y+ Y- H/ p4 _5 o% F                */

+ h0 L5 m" K7 s% \6 a0 k& n- L8 M                //Method - 4   202s
$ Y7 m' D9 a, ?$ H/ I$ h' A                /*
                for (int jj = 0; jj < N; jj++)
) T0 G- c: a3 p+ j' ?                {
" D; s; q7 u' U3 A0 a                        
- K: W$ E; d9 M; y5 U                }
  H( ?% O* ^  }                */
- z; \( S7 `+ @4 k2 O                //comment out all methods, N=100000  202s               
& }. }6 ?. d; f. ]2 |- K. p. ~  o        }
4 I5 P# y# m7 i; x. t3 O% v( L/ f
        delete []b1;
        delete []b2;

* f; j/ m& \8 n  ]

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？

雷达

机器猫 发表于 2022-9-27 00:15
0 R# D8 v% X7 p5 R& P* E- L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 ...

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
) n1 m. k( X% N  O9 _7 J% P
5 G7 S( X7 ~( q7 `0 t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
5 m8 @! N0 L$ K6 u! q1 T
不和它 ...

1 X7 `# E  A' h- K; g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)
{
4 y: T5 G5 O, l; [9 s, d        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。
9 J' ~. U. ^" J' v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。