C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
9 w* U* l$ t- s9 d1 `7 ]% j! L+ 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。
! q+ ]! I" e4 U  F  o+ z) ]
速度优化问题真的很有意思啊。
% B# N: z% U' W" E5 |' k0 {  T
欢迎大家继续讨论

数值分析

拉下来？拉多少？
) b" e6 f( i% s0 J: m: I: p$ L把代码贴上来看看？

! I+ |# K* T0 y' |( K/ f) E. H0 Y; u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

6 X6 a# y; o1 ^- p; S$ q2 c

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
把代码贴上来看看？

. x8 N; o2 {8 S3 N: f8 K& R
* p( [7 _' b" xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
7 F/ q. Z7 E" ?{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
# h; p$ L: o' \8 X' V4 C2 F        int j0 = lenB - 1;
# [7 K% h1 T) k9 ]7 K' `  O        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
1 X/ @$ ]' w/ ^# m: M+ q, t        reali /= 2;

  P# Y9 b1 S2 P  _& E        int nconv = reali + lenB;
  N) S  Z3 J& t3 G        //#pragma omp parallel for
% p& [$ X% t. |8 q# V/ C2 x        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
                temp.im = 0;
$ @* P: h+ }1 H# B                i1 = i;
3 Z8 @9 T. n5 p; y* e. O7 B4 H# J                for (j = j0; j >= 0; j--)
6 I6 W* n1 t" {9 s. |( s% C7 c& f% b                {
                        /* floating date operation */
                }
        }
}

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
2 l% X# y; r9 E, ^3 E' K2 p
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
2 p4 Z0 s1 `" f. e8 ~2 w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.

. Z: v+ ]  g1 r. G

雷达

风雨无阻 发表于 2022-9-24 23:33
6 [7 t* T$ J  w) u0 xMaybe Debug mode?

3 L# A% O7 O1 t2 G" |不应该，看我上面的回复。

& h9 O5 y" T; _+ @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)
{
        comp temp, xtimesy;

, o7 E; u( x& Z' L/ H7 q
( P$ M& i0 y0 f这个不是这么比的吧。。。

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 [  S& g$ r( E- |
1 s" Y$ p( {9 e* m% w  E6 j4 ], ]& j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。。。
4 m! J- V4 v" `2 f) v8 m8 ~1 i& 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）。

2 d7 l. ~, T/ P+ T1 P% @% T$ @# y有道理。
. N$ ?5 Z1 R9 V$ D7 @) i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。
' n$ `& ^, [: K$ H3 y6 g
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
  W7 |. r! E2 l; q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，这大 ...

: Z8 Z. K0 Y* M$ a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
- }6 W5 U5 K: |! Z" t6 y% Q这个不是这么比的吧。。。
1 P, U: D+ l; p* D0 w
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

) W4 S- }# U0 r8 ^2 @) T) N
1 ~: t" f+ T# I# \8 L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 ...

7 [3 [7 ]6 d. I) M- Q- O
, u4 }7 c$ h; x4 ~9 u' C) k是的，兄台说的对。

# z& X5 J; F; z$ o& P( h0 ~4 o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。
% U* q9 r9 j( Y$ _! a: j5 M4 z
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。
7 ^1 ?% n) n$ O- C
/ V& v; C- I) \: K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。

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

7 k0 J! U6 _1 S) P' e' |* @$ |

沉宝 发表于 2022-9-25 01:27
! j% ~! @# G% z( f. \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 ...

6 d$ a7 G1 q- H9 c" f" c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。
! k% s1 \* [5 |3 W
& K3 `, P, e7 g- e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 ...

9 i# x6 {  Y1 L5 @时间差一倍的结果可以接受。
$ i; r% X6 w# K+ g$ |! S8 R: D. a4 D
! J9 A  |" j9 J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 ...

$ u! D  T; |- P: _1 D9 ~1 E

能不能把这个也贴上来，看看和上一个有什么不同？

雷达

% L" _* A* f9 K( I* }. [+ d8 f& i* O

数值分析 发表于 2022-9-25 14:58
7 j1 m/ l/ }4 b' u+ @3 A' L能不能把这个也贴上来，看看和上一个有什么不同？

8 Z: r" ]  u* ], ^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
) t# X5 w, n( Z+ Y9 B# [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.
& `+ T' m' E2 l5 ~$ ~9 e* I
2 G, C. h- K: {, a. z" c2 u内循环试了4种方法，
1. 直接调用 vector inner_product 247s
  {/ C6 u; a% b0 y4 }* S% r; y2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
* T4 x  c3 m! @6 Y* `; E5 i! |' a1 N4. 空循环 100000 次 202s
& Q0 _* z9 {/ 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。

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）
3 T4 n& n* Y0 n$ B
3 v0 W: {1 W* E- q: u- [" t$ K（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）

" Z5 ?# d7 a$ V

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
- s7 i; K% y4 ?; T) C4 h8 }        float* b1 = new float[N];
        float* b2 = new float[N];
6 z# @5 k/ Z& z5 E
, Z/ ~* J; v* c+ V; `4 s        for (int j = 0; j < 6000; j++)
! S" O0 u) U) j9 q# Q) |5 M        {
                std::generate(vec1.begin(), vec1.end(), []() {
* S0 B  N' z' i+ d; t% F                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

  n+ s1 X' f7 F7 W                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
! Y, _7 T. l& c' y                        });

/ U# s1 O% h! p; @5 z/ [( I                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
/ L) P1 @4 T5 s  ?                {
1 m* Z" \5 T" ?5 n2 t) y3 b                        b2[jj] = vec2[jj];
                }
1 M% n( T+ s" h1 X
/ Y/ a8 c4 i. N0 p& ?4 A0 a                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
/ L1 g( i; f3 [7 |; m                                
                //Method - 2  N=100000  237s
                /*
. ?, F6 }$ E) `* q- b2 C                for (int jj = 0; jj < N ; jj++)
& x5 \) S* V7 g" t  j4 j                {
                        fresult += vec1[jj] * vec2[jj];
# ~( R; c/ s! u% U" |                }
. H% Y" n# t  o( b; |( k9 [7 y. H                */
1 A( {( z- n4 H/ c& u" B1 T' l5 z                                
9 d1 Q; O9 T% ?  ?, W7 P                //Method - 3  N=100000 204s
                /*
9 E  O7 M  M" Q9 [- W' l* Y6 F  q                for (int jj = 0; jj < N; jj++)
4 `$ q9 z6 T; O                {
                        fresult += b1[jj] * b2[jj];
6 ~+ [( I" ?' s: a, @                }
& O1 ?0 s2 L. J8 |! _, W: r" S9 F                */
3 W/ t7 C7 T6 ^$ O3 J) ^1 N
                //Method - 4   202s
; f, f- e+ N. C3 n* b) n* z+ n) P0 U                /*
0 @$ T) ]5 b  I! e6 |, j                for (int jj = 0; jj < N; jj++)
                {
  }5 z& X  I+ ~6 p+ D  }                        
                }
9 J/ H- u/ W0 E5 k' y1 L                */
' Z1 a3 q# p7 u; w0 e5 p                //comment out all methods, N=100000  202s               
) L. Z9 q7 q0 A! l" Q2 k        }

        delete []b1;
        delete []b2;

3 e6 P9 L" }+ ]; g* A2 [

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？
0 J7 @% D. X) B* ]/ H0 v
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？
5 ?7 N4 y: S4 I5 B" f# [

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？
, Z/ z$ G) x! {' w# w
你第二个试验里面的j在循环里面又重新定义 ...

" {8 |! [* a6 T7 V( N$ j( \  d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 ...

! z7 E- {0 t! f
; o( G9 k2 W# a6 @; i; w% @& `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。
! K  g4 `+ h# a; q# V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)
# w7 `, c: ^  V{
        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？
4 a1 |# L4 N, F8 _/ QVS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。