C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
! V7 g1 ^7 N. D+ V0 I+ |) W+ G9 b* e
" B# t" i! ], Q$ B3 R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。

速度优化问题真的很有意思啊。
. F) W. `0 z+ P$ v6 {" ]5 o8 f( ]
" ^" E  @; e' c" v" n欢迎大家继续讨论

数值分析

拉下来？拉多少？
4 ^+ V: }% D# t. q8 u把代码贴上来看看？
  t1 X) p) e+ _
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
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)
{
* E) a+ r2 h& b, b" p4 g# [        comp temp, xtimesy;
8 S( r4 r+ {% q: @6 o  v  h1 ~        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
# _8 a9 O2 L7 L  k! t3 d        int    i, j, i1, reali;
$ B/ U1 O" d  b; m$ T        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;

$ B* l2 p' L, P! ~8 M- p  {9 c        int nconv = reali + lenB;
4 R& @9 g8 Y2 U- |9 ^! L        //#pragma omp parallel for
3 W8 E$ ?0 E+ s: ?        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
1 K0 d4 O' f! i) q, ]  p5 v                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
: w# R; V! v5 w- T/ F- h5 k                {
9 s! D+ d3 `9 S                        /* floating date operation */
$ t* Q6 V' A$ g. b9 P( X                }
6 j: g+ F7 S. p2 R) n" b4 J- ?        }
" t" V$ V/ t5 C}

" B  }) j. u7 Y1 }) Pxcorr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

" @6 a, G! N4 ^* Z9 L  \3 c红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
现在call xcorr 100次，耗时78s.

0 P0 v5 P1 @6 ?( J, d- y! M4 c# d. U如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

* _6 E2 d; Y8 o& l( y

雷达

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

不应该，看我上面的回复。
0 t8 [" s6 N# S$ B! h
' L1 h8 f* g+ N2 C5 `+ S% X- V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)
{
! j% K' T( h2 o, v. Z4 L2 ~        comp temp, xtimesy;

" D: J8 B$ F) g% h! g
: i1 x& T2 F9 u这个不是这么比的吧。。。
3 l# {: ]6 l- l* 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）。
6 g) k$ W. \/ x5 y# B/ _/ 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
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）。

2 b! t7 i# N0 a( k0 G
% V7 ^. G  @6 _/ Q( o/ {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。
5 ~6 _) r% ~0 d; V2 H9 C) a
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
' O5 y% y( u7 w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 ...

2 V6 z+ D, p4 ]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
5 U1 `8 K$ o/ U, \' w) n$ ^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。。。
, m) E+ r; \% b, j; N
- |) D3 N( Y0 L" I6 R" [( v0 k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

8 P* Y6 J& p/ K. @
% F+ L4 \7 c, c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 ...

5 }3 E- Q- X) u2 z
! w# _5 m  o; T/ X- |1 w是的，兄台说的对。

, u" b' V' f- }2 A. 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。

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。
2 D" Y( [: C# x# H6 h
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

8 A. l. `0 m' x( ^5 e1 b

沉宝 发表于 2022-9-25 01:27
. k) {* H* R* V0 _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 ...

* v# R' n* k. N: }
: ]' ]  v0 x' g5 |- V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 ...

) d& a+ f( z& {& v, R时间差一倍的结果可以接受。

. P3 S1 s8 @) i你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

8 l# {9 y  H: Z7 K

雷达 发表于 2022-9-25 04:47
/ Y& j/ E* N, v8 w/ b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 ...

! ^, ?$ y+ C8 W- b# N( b* C& O5 T) k' D3 |
4 g! l+ l( A0 \. v$ ~5 S
# m, ^1 h* K/ b$ N+ D1 f
5 ?5 E, D& a$ o% E% I- X能不能把这个也贴上来，看看和上一个有什么不同？

雷达

3 K! o# O( M$ a7 p- ^+ T0 Y

数值分析 发表于 2022-9-25 14:58
# [. T5 a3 ^) L! d2 `5 I  O0 w! \4 A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。
7 v- d( c4 r/ N+ v; w- l4 s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.
& a$ z3 p# V# q$ S/ b0 [
5 M: t( m) D0 D+ V4 l内循环试了4种方法，
. t) s0 [$ X% h1. 直接调用 vector inner_product 247s
( l. S$ }2 u8 s6 t2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
- t9 c; z! g: @' c& J8 z4. 空循环 100000 次 202s

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。
  V4 M/ ]. o9 e0 m; Y5 L另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

; Q0 q: G. }0 F1 w5 }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）
& S0 T, p8 I5 p
（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）
) k0 q/ W4 Y3 [! g. N& c

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
( H  G! V0 N  O" y! |        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
) N0 _* ^0 V2 B0 o: M6 x        {
                std::generate(vec1.begin(), vec1.end(), []() {
' G  t# T* B! n                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
. T. @4 X' |; o1 ^, b
5 F2 d- d9 S4 V+ ~1 z                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });
2 m$ |% F$ ]9 B: l" d' P% x$ _$ ~
9 C" I9 ]! ~) N9 T2 b# M" P1 A                for (size_t jj = 0; jj < vec1.size(); jj++)
$ g' f, X7 ?: n8 m8 @# K                {
                        b1[jj] = vec1[jj];
# I4 I' n3 z' e) L                }

* S( B# v& L1 r7 t# K5 r                for (size_t jj = 0; jj < vec2.size(); jj++)
1 F: x1 a& q$ t- u# A5 f6 ~1 x9 G                {
3 z9 Z; C; X0 a" X" `, `                        b2[jj] = vec2[jj];
                }
& \5 Y4 Z# G* P3 @/ P
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
8 m6 d* X. R/ ?5 p                //Method - 2  N=100000  237s
                /*
: D5 ?3 m  E5 ^. ]; f4 I4 c9 y* g                for (int jj = 0; jj < N ; jj++)
6 x' h; ~1 F# B  I& G& e4 v: U& @                {
                        fresult += vec1[jj] * vec2[jj];
6 V# A; C: U* U4 w& r                }
                */
                                
) e) W2 i/ t& G- _0 D" X/ E                //Method - 3  N=100000 204s
& D- q  Z: \+ t& w4 t9 o                /*
8 x' o1 J' T8 X) i% e                for (int jj = 0; jj < N; jj++)
+ E- f9 F5 u2 B; s3 G; M                {
$ j+ X/ V1 |" g9 `8 y4 b                        fresult += b1[jj] * b2[jj];
                }
8 ~5 Q; ?& k; q# L                */

  v2 J5 t1 d. h                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
* F# g# m: W$ m8 b9 o                {
                        
                }
2 {. d6 ~! ?: g) h/ ~                */
                //comment out all methods, N=100000  202s               
        }
9 d- u# t& O6 X2 O0 ]
2 z1 q4 B: O$ d# Z% o  c        delete []b1;
+ R8 v) ?4 G6 p  }) R  |8 j        delete []b2;

7 g2 Z  P$ t, _! N( U' E1 \* Y' z

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
- N1 }  G. `4 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

' @) z/ w; b0 q% D0 c$ D! i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 ...

% x9 D- j; h& L2 w# J5 ]+ K6 y" {3 A7 J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。
7 n" ?7 j* |( b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
3 f* V$ ~' {2 S  [  `3 jvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
+ q9 M& M, b  o: q" ]) E* ^/ r{
: O4 N0 ]9 P. V+ }# a# j        comp temp, xtimesy;

  a" Y' y% j0 S, U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？
6 `# t8 ^3 f. O1 c6 _& E8 _8 A. wVS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。