C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
4 ^- l8 u  M$ y) u( p; r
! m4 b, v( N4 C5 q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。
1 r' }9 X$ x1 s7 d, c
  z2 B* @$ u+ v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？
+ [* M, r+ h; q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

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)
! E5 u/ b' w+ u; B2 @) _{
3 i, A' j; U+ z5 {3 |' E        comp temp, xtimesy;
! Q" {/ D& {$ S- I& ^$ f        xtimesy.re = 0;
) k/ M/ Q  `* x( v, ]        xtimesy.im = 0;
        int j0 = lenB - 1;
9 ~4 i, w" b2 ?' O3 l! G        int    i, j, i1, reali;
/ K3 k- K0 ~; T4 o3 d$ D; u        if (lenA % 2 == 1)
/ c! M  Y1 C" ]# @8 g4 M( \" ]                reali = lenA + 1;
) X0 [8 t  @- d! h7 O: h/ p        else
                reali = lenA;
6 F, ^6 R5 V+ a2 s/ m        reali /= 2;
2 e5 h9 }9 j9 E, P% d  W2 E* g  p
        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
9 c3 F# d9 D/ p9 I. \3 V, E' m$ s                temp.re = 0;
                temp.im = 0;
% |5 ~: P7 U& x0 q                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
: G( N7 j9 n- c0 H! ~                }
( a% J, d* V; w+ U8 x        }
0 h$ G; z; `! }}
1 a# {; f; [. ~1 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
# m6 F* N, {8 ]
$ }- d, m. d, q' \  s红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
5 p3 Q+ u6 D4 Q& k. G+ U/ S现在call xcorr 100次，耗时78s.
) [- e. k2 w7 c  h) U" V9 a
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

雷达

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

, {9 A- v5 U; d0 r9 i4 v7 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

. k) H# q: E7 A3 F  _( Z

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;

1 `9 z, f" y4 O3 ]& Y- j8 H# K
- @8 ~) @, Q. o5 M+ a这个不是这么比的吧。。。
+ f! f% q% K* V& 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）。
% F- r4 M+ p/ T9 @9 Y
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）。

有道理。
- m3 o( C3 l9 }- C, B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
4 P% l4 z0 x7 \  l" O有道理。
/ V9 a7 W  n/ F" L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
$ Y' H6 Q- N' I! m, {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
3 S, C, T% ?* {9 s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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

3 p& A( ?, T) 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 ...

- ~# e$ R3 O. R" Q, M) T
6 Z8 d( j: v8 n  v, w# S+ G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。
$ s$ C  [, R" l$ k# b
8 B( E' Q; l3 ?# V' b' m3 l% L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。
; f: @/ Y7 N6 V1 |* b# K: \
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

" `% I" u, {' ?: R

沉宝 发表于 2022-9-25 01:27
! V1 `! C# F0 Y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 ...

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。
* c8 y) a) s; A3 W
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
# x$ h# J( d9 ]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

雷达 发表于 2022-9-25 04:47
+ L! G7 f- f% e8 c6 V- A1 M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 ...

: n( }( L) @0 e% x+ Z  r

/ O! o4 j! [+ o6 l5 V( \
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

& j# m' u1 S0 g5 l3 \" Q9 ]& U: H

数值分析 发表于 2022-9-25 14:58
$ K& W4 R! Q" J+ u, v8 n  s/ q能不能把这个也贴上来，看看和上一个有什么不同？

9 f+ y; S( a7 p$ b% \0 g理了理思路，重新做了一个测试。
  D6 A- V$ B9 y4 h' d' f% g2 q0 J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.
/ t# j" ]' I. N
/ l: A+ y) ]% T( w' |9 F- X内循环试了4种方法，
1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
2 N, o! C- Y9 v3. float * 循环点乘累加 204s
+ _7 a5 ?& P2 R, A; R& c# }4. 空循环 100000 次 202s
6 Y% }0 Y1 x  E5 w" Z
1 N* ^, Z* [7 k' U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。
" M( G6 }; Q# x; O. J+ @. @
, ~& {7 o6 B. o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 w0 b: `2 n+ r8 Z0 p& M5 W. ?1 T! S
. W$ Y8 o1 c* ]# }; a（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）

; v8 x0 m' w1 H6 q7 G3 c5 B

        std::vector < float > vec1(N);
- T2 o% f4 m$ X* |0 o; q7 {        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

  M) D! t" u' m! l6 W0 O( L        for (int j = 0; j < 6000; j++)
2 q5 N! S1 P1 C        {
                std::generate(vec1.begin(), vec1.end(), []() {
+ `$ I) n" F+ c: \3 w                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
/ z* g& v3 _4 _0 O$ b
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

. [  @) B9 K! Y2 t                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
5 q: Q7 W4 h- _$ Y8 u" W                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
8 D# y: i+ m& n. h8 B& U, V) a6 T( ?                {
                        b2[jj] = vec2[jj];
                }
6 |; E, |) |; y9 Q' O+ m5 M+ v
  h/ r; F/ s& ?( A$ V5 F& y! S                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
% Q9 L& s( R+ u# W. x+ I7 L$ Y                                
                //Method - 2  N=100000  237s
/ n" Z9 i9 F0 ^: v% N                /*
1 D& c7 M7 c( h( Y+ i, o; P6 B7 h+ G                for (int jj = 0; jj < N ; jj++)
                {
! W, n3 a) h, u/ O  p; T                        fresult += vec1[jj] * vec2[jj];
1 p; ~3 W  o& U. x. y                }
+ p$ f2 }: j' t4 r) d6 p0 }! Y3 S/ \; L                */
                                
, w4 _" l6 d1 b* T0 Z/ f                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
% K' \" K1 C6 ^  X0 v                {
                        fresult += b1[jj] * b2[jj];
* l) y9 q0 L3 |1 S% ~# w, z                }
                */

                //Method - 4   202s
                /*
% z) C$ C, l! ^7 {; f- w                for (int jj = 0; jj < N; jj++)
, Z7 x2 M. X/ h4 [% \8 `3 j) l' y+ c                {
' _& T4 @/ |$ Z) N! J3 q' L1 x' Y                        
                }
                */
  p' b" o, [0 ]7 P" w                //comment out all methods, N=100000  202s               
        }
# M; ]" P3 s4 o% M" [/ m" ]1 {% b
        delete []b1;
9 w) M' j4 X' `( o        delete []b2;

! F/ \$ v+ X6 _! w

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 @5 ?; U8 l0 J! |
: R5 u6 w$ D; d8 h1 R% }. i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
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？
7 |/ r. G4 e  E+ c
( O0 g; h2 E* y# i6 e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
; U# F- J! C+ f" g4 Q% y
$ f" B: l3 r/ L3 z. V4 k" M" u5 ^$ {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
% P" W$ _* k+ b0 H; }
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。
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)
{
        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？
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。