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。
: l* ], b% a9 q% L* l! |: k! y1 {
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？
4 G( u! j4 W# [* s3 d& u, a- v
% A% X; y! }# [3 p+ s/ V: y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 ?( M' u0 O! L7 c

数值分析 发表于 2022-9-24 23:04
, z, _8 G& j0 y% J5 J: x- ]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;
, V, ?/ T5 q* `$ K        xtimesy.re = 0;
* G' N5 v  H/ v+ I: _  e  B2 C0 K8 N        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
% i" u( F' Q+ J+ T8 K, y        else
7 ~* s. j) C4 f; J                reali = lenA;
3 ^- y. p9 x5 [3 e" `' H' _        reali /= 2;
( ?6 j6 F; d. [1 }0 G7 P: `
2 V7 [( M$ K3 d# R1 ^; u        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
2 @; ^3 X1 M6 h6 n                temp.re = 0;
; R. @# R% V( w                temp.im = 0;
                i1 = i;
) E  G" q! U! R3 \0 @                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
* ~4 P$ O1 ?( ^( J! u# ^. R3 Q                }
        }
}
% ?$ d- q4 p1 J4 C* Y: h7 a/ l
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
% Q/ s( H; G4 x* k
1 x+ ]7 ^: W6 B) y红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
$ d5 K& ]: }* w2 u2 A! Y: i现在call xcorr 100次，耗时78s.

4 B4 `; I3 }' g6 V3 k如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
9 |& e3 J  p  g' ^9 G/ ~- u; b0 L2 [. L
( b0 L+ f# i) ?( H# k1 f

雷达

风雨无阻 发表于 2022-9-24 23:33
7 }5 |, Y, z8 U- |/ t) s3 }Maybe Debug mode?

不应该，看我上面的回复。
2 _; c/ ?: ]& n# X
, q( I: t+ g$ j! u$ M/ p+ V/ T' T8 u我更怀疑是 VS 社区版的问题

数值分析

5 ]4 z8 w1 u4 S1 ?! @0 ?0 m$ p

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

$ C3 G1 C- J/ O6 _4 W
这个不是这么比的吧。。。
* L7 V6 f  m% T4 r4 H
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）。
/ Z% E' Z7 G# a+ @8 c
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

$ r/ I& P- J1 |3 E+ a

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
" u. i# E  d7 J8 m5 ?6 j
3 a) D1 E1 Z( J/ C+ A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。

/ g+ D# u& M& D, t, y8 v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
, J  g6 X2 u6 V: h  E有道理。
* b. R& g; l& n8 X) y0 ~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。。。
) _* R) k% G$ {: z# a( W# X( N0 U; j
* f$ m. ~0 @; `" b$ ?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

1 w. R; N# w# B: r! t+ D" J
1 @& B2 x* ^5 w6 w  z. N. z3 r" K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 ...

, N+ @+ U5 G6 a是的，兄台说的对。
! _5 X, @( I7 y- C# r6 ~
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。

* W+ h) w5 s  q) d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。

$ g1 A) a0 u% C, |  Z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。
' X" y) O8 j6 J3 q' g
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

4 ^; a  h" A$ A. \; R  k

沉宝 发表于 2022-9-25 01:27
! m0 a2 L$ W+ l  Q4 ^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 ...

' f5 ^* W+ [$ {' `5 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
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。
2 w# Y  B, h  x- p; H( ?
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 ...

& t8 [, A7 r. v  k, s

$ }% g; a' H- p8 Z- r能不能把这个也贴上来，看看和上一个有什么不同？

雷达

. f6 n* K$ `4 {9 I3 R. ?+ c* G

数值分析 发表于 2022-9-25 14:58
* f! ?- L9 t9 i2 F3 o( E+ v能不能把这个也贴上来，看看和上一个有什么不同？

! Y8 W, @9 ^' E: E/ e8 J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.

4 i0 o% [' Q9 C- V( J; y2 w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
5 d: E8 t. {7 k# m; b3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
; D# ]' y. l" S$ r7 W+ s
/ R- V/ _( y, H: V+ g+ M( O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。
另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

/ D$ }6 W4 F1 ?0 T; {) t4 J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）

' R! {! M. B2 n- a: D4 u（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）
3 S4 o1 T/ P  W# d* E1 l" @- `

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
! a& T4 s1 L" G9 q9 z$ b" n        float* b1 = new float[N];
        float* b2 = new float[N];

9 d; `( Y$ D. C        for (int j = 0; j < 6000; j++)
        {
2 V2 w& M1 u( ]: T8 X& d                std::generate(vec1.begin(), vec1.end(), []() {
$ L1 B" V4 R& P9 X" f+ K; Q4 `                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
7 v& g$ ]# d6 D. X/ M+ n( K% O0 o* I) p                        });
9 i$ P/ v+ v* n( t, ~' q+ T8 T+ Q
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
# h, F/ V$ I6 H& u" b                {
                        b1[jj] = vec1[jj];
                }
" l0 w7 x& E& O5 z& ?
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
$ b3 F, |9 H% t. a                        b2[jj] = vec2[jj];
) D7 q$ i" R% |: h1 j                }
% j0 W" Z/ a, a* J
                //Method - 1  N=100000 247s  
$ ?7 ?6 M  @+ m" M! z& z+ q                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
- D& P6 f  L  |- Y                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
4 `. _) ]/ m& F) `+ R                {
                        fresult += vec1[jj] * vec2[jj];
) B7 }: w3 n- v0 s$ O3 f9 w* I1 {                }
# h0 l$ @1 r$ \. S0 [                */
0 Z  T0 b1 j# g; x  z2 C+ X# ~& K                                
/ B" Q, b0 w* R2 P# r$ h. y                //Method - 3  N=100000 204s
- L2 N. v, D* O" y                /*
                for (int jj = 0; jj < N; jj++)
                {
2 l6 \; I) ?/ q2 s( ^                        fresult += b1[jj] * b2[jj];
                }
                */

                //Method - 4   202s
                /*
; O8 I% M" I! G7 X  V8 s, T                for (int jj = 0; jj < N; jj++)
) y. `* F! U; E/ T$ u8 E                {
                        
                }
: `* B& Z- D$ {' m( M% E                */
3 |' C- f. s1 q- v3 L2 \                //comment out all methods, N=100000  202s               
1 F! X$ ^$ Y9 j; L" d7 C# l        }

4 t8 T% `. `  A. D1 b4 U3 [% b+ }        delete []b1;
        delete []b2;

& g: h8 Q+ A. q& z, Z4 p( t

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？
% h) h6 J& [! d/ w

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？

2 I6 o4 X# W- \8 Z; F# j6 _- A: }你第二个试验里面的j在循环里面又重新定义 ...

. W3 A, C# u4 X8 @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
! |  g3 N+ n3 G( N9 i5 C- P
0 T0 {& ]& D4 c5 ^( P" @/ D: q7 q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
) ^) i9 x$ J) h2 p6 E' C) G# W  f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 ...

0 Q3 D2 `' `& R- M* F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。
9 P* f8 |; p) R) u% G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
" `* O0 o" Q! i1 ~6 @* xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

9 t* g! g& t$ p+ F1 N8 a# 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。
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？
) H, ~3 R/ W2 D- Q4 |+ }* u7 FVS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。