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。
& z: [) C/ L& b% ~
+ q; ^) p2 ]0 w# C/ J速度优化问题真的很有意思啊。
' ]2 A! z5 i( a
/ [1 P# u7 p' ]1 u8 N5 B! s7 N) T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？
; J4 X4 u2 b) ?- [6 ^
' V: }# |4 f  p4 c& x5 {. L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
6 m& J8 s& ]9 ]3 N4 r( |- k) b& j拉下来？拉多少？
) d* p0 [1 q  }5 D. F# |把代码贴上来看看？

void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
' T2 E- n) d1 g        xtimesy.re = 0;
# @: `  Z7 I5 s        xtimesy.im = 0;
        int j0 = lenB - 1;
8 e. H7 ]( C; r$ p- y" O        int    i, j, i1, reali;
        if (lenA % 2 == 1)
6 x+ n) A9 w; C. |0 ^9 z! W                reali = lenA + 1;
% z# @4 G4 }; Z( j8 s        else
# }' ~) [' F2 q/ f/ l+ x  Y3 j                reali = lenA;
# a! P# s5 G  Q7 v( W; \9 ?: H        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
4 O! T6 {; c. ?, @, R6 [7 h        {
! \: L3 {/ b$ s# }* U) c, V/ m                temp.re = 0;
                temp.im = 0;
, p- h) O  J1 {1 K                i1 = i;
' P1 C: _/ C9 ]* e/ z. h                for (j = j0; j >= 0; j--)
                {
1 N+ Z, E$ y, u. v                        /* floating date operation */
0 H6 e# j- H5 Z/ }1 j. ~$ P                }
        }
}
+ L9 y2 m0 w6 x0 V
2 D8 K9 ?# c0 yxcorr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

9 ]$ f; J2 v* R8 J  o# c6 B( |+ G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 _/ @* R3 j# i6 u1 W1 e! l5 o现在call xcorr 100次，耗时78s.

; v% B7 K$ y4 x  m. `如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
' n, g4 C: r) J; o  R, c
. |% }& }# I" A# O# A5 M- T& k* Y

雷达

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

. I4 W8 |- x: O6 @
5 \, t( R2 E/ j) C6 `0 h不应该，看我上面的回复。

我更怀疑是 VS 社区版的问题

数值分析

, B1 N1 y& O' [' S6 D+ Q

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;

$ C* ~) w& u9 q6 u
% e7 i/ x$ ]0 |+ F这个不是这么比的吧。。。
! u; O+ D* S2 l4 x
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）。

) Y8 |1 e4 E- s; l5 ?2 \" r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。。。

" I, @" i. _5 `* Y) u9 z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）。

8 W, y, b7 i/ H/ c+ Q9 ]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
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 ...

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
1 ?8 T% D7 R, g( UWhy 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。。。
) T5 S. o# {. y1 h0 J
% G3 ]: ?* H( v: [6 l; 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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

. a. U! `0 }: V8 y
* Q( ~6 M1 \( f  ~5 q3 d7 o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

5 q, x: k( \& h& V

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 ...

" o: v8 B6 E' @1 B8 ^
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。

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。
# [/ g2 r1 S8 S$ @: a3 ]9 t) G
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

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 ...

" p! h4 H& s& w4 Q
- W& O6 K2 R. x! i2 {% ~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。

/ U! O6 L& k5 E8 |, }我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
9 n4 E! n$ F$ \# [& {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 ...

! w3 a0 k) W7 s时间差一倍的结果可以接受。

你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

' o- b8 G4 k3 @

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 ...

) J3 Q/ E. M! W, H$ J! U

7 }5 g7 p6 o* M: r1 I  H0 ?/ X8 k
& Q# C, S' M8 H) |, E& S0 K4 Q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
; \  z2 m6 J3 e6 S+ R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
4 ^* ~2 M! v7 K; A7 A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.
: u0 R; _- ?9 y
内循环试了4种方法，
! x% o  q" t  i, k1. 直接调用 vector inner_product 247s
9 M7 b2 D& K. q2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

; A. }. _& ~! O2 z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。
  }4 L) l; s" h+ e; `另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
2 P% n9 U. q8 w  C  j, _$ c
$ b- Q/ b% i" H0 x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）
: P4 c9 I: a2 a+ Y7 P0 `
5 j2 E6 N' k- \+ N（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）
% l, n: m1 o# @8 D7 [: r2 c8 r

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
. x/ v- T& m5 a' `/ F        float* b1 = new float[N];
  k' ?, M* D6 ^& M% q        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));;
/ \  ^# k. i' s9 L2 @                        });

                std::generate(vec2.begin(), vec2.end(), []() {
! r, O" ?  `3 I7 U, T: {: Z% v                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

  j8 n6 |% X7 Q) L0 u6 b                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }
0 d0 ]0 T+ J- c; N+ b6 O, i/ r1 f
5 C- y( P. d+ F' p) ?* ]5 a$ T, g                for (size_t jj = 0; jj < vec2.size(); jj++)
. D) ^. `* C' @) X; L* i) A- w2 Y                {
                        b2[jj] = vec2[jj];
                }
7 j4 t2 `: q/ ]
0 ~3 N1 x3 H- B' V  g                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
4 F' ]/ j9 Q* w                /*
6 @) o3 L# d4 N7 L  v3 `$ o                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
' d3 A- ]3 I4 u! h+ I& X1 [                }
+ m. Z* k6 N  U" [                */
                                
                //Method - 3  N=100000 204s
; I6 ?( V8 u7 U# J7 G3 ]7 y                /*
                for (int jj = 0; jj < N; jj++)
                {
' C9 t5 J) u& C' ?, N                        fresult += b1[jj] * b2[jj];
                }
: S  ?9 W$ G  p2 Q  V                */

                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
- f+ g& s1 q) ?3 J                {
' g5 u/ x5 o4 z6 x/ ~6 R$ _                        
                }
! {+ y  l$ B1 G. {( j4 }7 _7 B9 @: z4 K                */
                //comment out all methods, N=100000  202s               
: T! I0 p. m1 U6 {5 z2 Z5 [& f* L' u) E        }

6 c# J  w5 a% a4 E% W        delete []b1;
        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？
  u+ O4 C9 @8 H) `2 O
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？
% H3 ]. J" ], i4 E

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？

6 a  h6 g+ e% d$ [; l0 ~6 B9 X4 y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
6 `' P$ J) l0 o
' N' C) u. G3 f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。
, S$ i. z, r3 m8 K" Z% m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
) X0 t+ Z! J1 G9 r5 R7 y9 svoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
0 F0 h7 j0 y- N+ F' i{
# L, O3 t5 I- P( h( Y, J; z' r( `        comp temp, xtimesy;

: c$ _) o# d$ U+ @7 ?) H4 N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 H. U& ?7 H- D" l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？
, y$ l$ _! z; \4 `& r8 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。