C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

  n2 ^% [+ ]* Z( P% v2 X6 C- b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。

欢迎大家继续讨论

数值分析

拉下来？拉多少？
1 t' y2 u' ]3 b6 L把代码贴上来看看？
# a. w9 Z7 Y' u, X8 K& A
8 A# v8 c. y; U& u  P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

' x. v$ k: \0 {3 s. ?

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)
. }; N0 R" W+ P/ z  t1 _( {3 C{
7 }4 Q  _; {# F, H) l) j, @        comp temp, xtimesy;
2 t# K! Y1 z9 U4 G; n0 k        xtimesy.re = 0;
& ~( j1 E6 k1 u: X' k/ n% L        xtimesy.im = 0;
. h7 B! v" S3 ^* E( P& \$ l        int j0 = lenB - 1;
        int    i, j, i1, reali;
# }: R, ]# @. R7 c        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
                reali = lenA;
  w  N. t$ O6 Y  I        reali /= 2;

/ t; O; N9 R( ]! B        int nconv = reali + lenB;
  Z: h8 e0 m+ _& \1 O        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
6 {2 e: @1 F' Z. s+ A                temp.re = 0;
: W. A$ _: q. r/ V                temp.im = 0;
) h: N7 f/ ]7 _! ?* ]                i1 = i;
                for (j = j0; j >= 0; j--)
5 w' w* C$ ]; i9 U+ R5 A                {
$ `5 h6 t1 a, Y7 x* U% S% P                        /* floating date operation */
                }
8 l3 P7 L- c( d        }
& ?! u2 C+ X  [4 H" k9 L}
  L6 ~% E9 Q& f$ v# t3 S0 y
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
* d/ F0 S- {1 f3 L1 o0 Z/ q
红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
& H4 p% w4 |6 E% X1 H, v; {现在call xcorr 100次，耗时78s.
) j; H/ e+ T3 ^. f6 q2 `. n
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
) J9 L& J/ s; \$ |( O$ O5 K

雷达

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

" c1 S  c1 [; Z2 {5 Y- l: C
& t; w5 i: X$ r* {9 n! l' s不应该，看我上面的回复。
' A3 k* l0 |: G( a% O
我更怀疑是 VS 社区版的问题

数值分析

. z0 }- v+ z& Y" e) v

雷达 发表于 2022-9-24 23:54
& s2 V. n' R8 Avoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

: r9 q' m/ D! _
" \2 K0 v  n8 U8 ~- |! ~! x$ P+ |这个不是这么比的吧。。。
, C# `/ d- |5 N
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）。
, @% X% l; z# F, C. `0 q) e, x
0 t2 M& J) r( A( z, R) X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）。

" }# L( ?- y( J! Z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。

2 ]" p$ F/ v' I2 x5 S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
6 h: q) f+ f/ o- x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
, L0 N+ W( y* A6 }5 zWhy 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。。。
& A- r! @3 C/ F1 n& b0 r' ]% {2 `
, j; q2 v& D$ C! u; o& u6 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）。

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

沉宝 发表于 2022-9-25 01:48
, Z9 o' q) R5 }3 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 ...

是的，兄台说的对。
  r; w- _' N; A! ~9 X
* i& c, J, O% F% q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。
$ p/ C- E4 S" l/ C
; m4 X& ?8 Z1 Q, a7 R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。

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。
) B" M0 \: a: Z
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
1 @, b: y4 `3 C; {$ n$ l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 ...

: i& u/ F- S1 y- X! G/ I
+ s% f+ N7 c# n% _" I- ~: k' ^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。

你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

, C4 I. D  f0 ]$ n5 K; N" S/ c, P

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 ...

+ r5 W& l8 V0 y5 B' t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？

9 g, M" a. a5 A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.
  V+ ~6 h8 P9 q) {' @. O
8 F  Y( ~2 q' A  ], ^# C# t内循环试了4种方法，
1. 直接调用 vector inner_product 247s
5 Q% f- |, w* K+ S2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
! t3 ?$ C; Q  Y, b; }- `
不做内循环 200s

3 g  d6 v/ J; j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。
# e. j7 B( z; F+ Y
* g3 v6 Y6 ?) g+ F" e1 A8 U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）

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

- e$ l$ v: D* {5 T        for (int j = 0; j < 6000; j++)
        {
( ?$ {* C, ?  q3 D                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
3 `8 z5 \8 L" i                        });

                std::generate(vec2.begin(), vec2.end(), []() {
+ P* m9 _3 Y( J3 i& z! q                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
3 f4 j! E* C, @                        });
5 ~0 l, G7 B4 _' r  Z3 O2 z9 B
, A) i  D' g8 K1 t                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
3 R) z4 H: O" ^. u9 m0 i# G! d                        b1[jj] = vec1[jj];
                }
6 W* @+ X& G* [+ [
                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
5 X7 }  w6 q# ?6 X# t: Y                        b2[jj] = vec2[jj];
  y* a/ Z2 i# c! e( S3 h) @                }
% e. `% b) i2 e9 H# ?: q% ^
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
& V( T5 C4 q1 C9 f$ {( ~7 o4 S0 c- b                                
+ ?8 h' s) ]: L                //Method - 2  N=100000  237s
# J1 _8 B& _8 ?, D$ f; G/ f  B                /*
2 A+ @8 e2 z) V1 O/ f6 u- d' I/ I                for (int jj = 0; jj < N ; jj++)
                {
& v5 I) V, Q% {  T& l- y0 b$ l2 ^                        fresult += vec1[jj] * vec2[jj];
3 C) }. ^4 l) V. m- e; W* N8 A                }
! ?' V$ {0 l* W/ r3 T                */
                                
3 ?: z9 P! A8 j/ s) h0 |- j: m                //Method - 3  N=100000 204s
. b; Q2 b- H: o; h2 {                /*
                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
+ [$ H1 ]% v: N) X  ]% v                }
. G$ h+ b. ^' _$ Z5 M                */

                //Method - 4   202s
2 q7 Q# V4 K. k                /*
+ y6 D( q* k5 P                for (int jj = 0; jj < N; jj++)
9 Z+ G% d3 Q1 E" n+ {) A' J  ~+ n  c                {
                        
                }
, I( f& q* f3 f% _3 Z7 ^                */
- y& l8 \1 g$ I8 m4 X; ~2 k                //comment out all methods, N=100000  202s               
9 q& @/ [; f5 }; B0 Q5 W        }
4 E5 O$ l' r2 o6 Z2 f
        delete []b1;
        delete []b2;

  ~) d: P$ V' Y, T" [3 v- 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？
, V% s8 E  W' E( K3 T

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 |% A, ^3 H* k6 X, [9 [' M
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
0 _6 c2 Y1 F8 y& {9 F8 {$ s8 j
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
9 E& _0 Q. U8 I! O, Y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
0 g3 R$ s) q. E$ l( Y' u
, p: H7 I0 ?' X; _7 \! s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。
: T8 a0 i$ ~! v6 D* y4 T- {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)
8 X+ X  Y2 R' L* g5 B{
        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。
2 @0 e! J4 W2 a& u/ C$ i) e0 G6 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？
' u! ]1 n: x/ V  R' I' u+ T3 [VS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。