C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
# X% h0 Z6 E: p4 J* O2 j0 P
$ g1 V* m  b- u$ L8 e+ r8 T- D- D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。

7 C2 ^7 w& ~% C, k$ v  c  w! v: j3 U速度优化问题真的很有意思啊。

: x3 @& n8 I) u* T& D( f- M; |2 i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？

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

. [# F/ M: F+ V

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？

7 V) M, ^6 P& j  b1 avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
7 U; F; |8 n6 i+ [% f* `5 Z        comp temp, xtimesy;
        xtimesy.re = 0;
& g0 _' T1 _! o! }        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
, N+ N; Y  U) R3 E3 J  ~0 o( I                reali = lenA;
# P- C& c: C# D        reali /= 2;
$ f; @: D; G2 l3 B! @
0 Z$ m: i" T( R1 @        int nconv = reali + lenB;
        //#pragma omp parallel for
8 J" C: u. E' e6 O2 u6 ~  v6 p        for (i = reali; i < nconv; i++)
  d3 h: b: E8 F: t! w        {
                temp.re = 0;
                temp.im = 0;
                i1 = i;
5 i! t4 X" y) ?  P; A& V                for (j = j0; j >= 0; j--)
( j6 c5 Q- n# u( E& T                {
' {/ r1 B% n' n                        /* floating date operation */
$ U) [& v$ h  }/ ?: k1 R1 z$ `                }
        }
( Z3 C) K: U- w; ?& m& W% G1 c1 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

  A3 a0 Y+ Z8 l( P9 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。
% H! ]; H4 h" Q# @现在call xcorr 100次，耗时78s.
) Y7 c! f, |' Z/ b' |: |; t
- t) r+ B! t. c8 ]. A, t如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

' g6 d5 u8 F6 |  E& Q3 t

雷达

风雨无阻 发表于 2022-9-24 23:33
2 }& ?4 n$ W  pMaybe Debug mode?

& l+ }2 J: K3 E, {+ ?( p: |5 h/ N
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

雷达 发表于 2022-9-24 23:54
; |: q" S) H: w, K0 O) ?void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

7 s# ?. C6 Z2 h; `+ g* m/ k5 u, d
这个不是这么比的吧。。。
0 y9 W. O' e7 [4 \0 _
+ ?2 K8 ~# t2 y$ 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，慢个几十倍不是正常的么？

雷达

  D# l. i" v, i! J

数值分析 发表于 2022-9-25 00:20
2 W1 w2 @& r4 y/ v) ~这个不是这么比的吧。。。
& A, l4 [1 k  j
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 S( S) J/ w! G0 P  w, X# b2 c有道理。
" {  Z7 a9 Y1 }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
1 B2 @$ F% I9 h8 J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
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
( y) \+ T0 P- n2 G- f7 x; R5 ?这个不是这么比的吧。。。
. B) l7 t9 h6 x/ U- @' _$ R
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

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

$ t4 t6 ]) N5 n+ @

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 g" ~) G! N+ N8 V2 @
& V3 `# Y! X2 g/ S是的，兄台说的对。

6 s9 n5 P: N* N4 [. X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。

. Z) j: g4 J7 e( y' ?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。
& }: C0 E$ ^* n. l; a0 \0 o
- _, M* w: l4 E! T0 z' Y4 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。
) z% k5 S& [: b  l$ K3 @4 R- {) O
' Q+ \" G( P- L2 Q' A( a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

2 r4 G6 n3 d0 j- i# Z6 p

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 ...

; u# |6 `; a7 W6 g2 r
8 W% x  F9 o3 [6 W% a' v9 @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。
3 h3 v+ k3 m7 ]+ \8 _# l' k
+ m: W* s9 [& D8 z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 ...

% T  n" M5 Y' @+ O- ]! ?8 }* U时间差一倍的结果可以接受。

0 e# S& \7 M( R. \( }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 ...

& R, j1 C2 F/ F- W
6 v+ y5 b2 n" R  Z5 N
- a1 u7 g( P' P
! L% P, U: ]7 e! J) ~3 i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
能不能把这个也贴上来，看看和上一个有什么不同？

( O, e  i; q) c: r# D. Z7 P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.
+ G" i( O* w7 Q# M* |( `
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
. l# Q& A" P  k& q, ^0 x2. vector 循环点乘累加 237s
  O% r2 S4 a! B7 b0 K, g3. float * 循环点乘累加 204s
/ d4 E5 z6 X) Q1 B, b5 ^7 ]4 B4. 空循环 100000 次 202s

) R8 m  S9 E- @- C" G0 u不做内循环 200s
2 l! G7 Q7 L4 X' h1 B6 A
你昨天说的对，内循环本身占比是很小的，大头在其他处理。
8 `' a9 G0 ]- a% f7 H% @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）
7 W7 @* R4 ^, `

        std::vector < float > vec1(N);
8 U" W4 `5 _3 F  U# \6 N        std::vector < float > vec2(N);
1 H" N/ k( K6 j$ A4 Z) D        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
& a# `4 S$ K( B/ K% D4 c. ~8 R$ {        {
) c6 N7 _1 Q$ r" n                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
' _: L! K& F1 V" v$ G9 l; c7 \  b' y                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
! K, K: b7 m7 z9 b! P* ~. X                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
# a% E1 M& |+ ]( {0 M+ {- D                }
7 m( ~7 S7 N' }9 ]- T
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
; u# R4 H2 Z- i# e/ ]; o                        b2[jj] = vec2[jj];
0 Q3 q9 B0 k$ w  Y6 B& l  R! ]                }

                //Method - 1  N=100000 247s  
& I: |, V: N1 V; U3 I                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
! y  \, ^$ d# w, p+ u$ @5 }3 _                {
5 g2 @4 u: L  V7 ^1 O; i# _                        fresult += vec1[jj] * vec2[jj];
                }
                */
# c. t5 @- Y% h, |# o' D/ V                                
/ i! e5 S' I1 G9 X1 b                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
, s) _, k* F9 j( J! V4 D                }
' I! M) G7 Y* A5 `/ @: l  L! G! Z                */

$ H( s) ^" y8 U                //Method - 4   202s
  s  _6 S3 b- f" f                /*
                for (int jj = 0; jj < N; jj++)
                {
# H" [( d8 F, N' H" O0 \9 i# o                        
                }
                */
                //comment out all methods, N=100000  202s               
8 g/ J: k5 z/ y5 A        }
! K( I2 S. `% T( l
0 S- v3 i$ g, ^        delete []b1;
        delete []b2;

$ E' C: T* k6 K& F+ ^& R- K# H

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
9 z% C/ X  a# T0 T: P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？
* l1 f& F; B8 x% ]8 z
9 G' l: D* f9 W0 d5 y2 w' [4 |. P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
  }5 k5 I) Q, u% o2 s& i; p
; h2 L6 g! i: |4 `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
( t+ J; M; L, e
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。
' K" g4 x+ f! z6 i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
. X! m3 g3 h5 ^( ?. ]; Y' J+ kvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
$ _' ]& S& l$ N{
. A: f" z' y2 O8 Y        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。
. w; ^/ R( W% Q9 w) }, M7 P' n: ?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？
0 X$ ~0 T7 p! u: cVS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。