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。
5 k- u) B7 w, M
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？
把代码贴上来看看？

% {& I. O8 D: o8 p5 D$ m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

0 H1 Z2 y, X- |" E- f3 N

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？

" k  T+ d  p+ b  ?: C
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
1 S, G3 w! p; y) j. ^* `{
. q. ^& _# w3 e8 v. [' c2 d        comp temp, xtimesy;
1 h+ |) q) j, t' H+ t        xtimesy.re = 0;
        xtimesy.im = 0;
) k) U8 a$ m/ o  X( m8 t3 o8 P- J        int j0 = lenB - 1;
$ ?! K  k& p- a        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
; a# k' D) Z1 A1 L! s8 u6 j        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
" F. [9 S$ f. L7 J* z        {
                temp.re = 0;
                temp.im = 0;
  d1 I! u# P4 _+ v' p8 R                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
. e* u7 s) N+ X9 C- q# k        }
}
' o; Z; v* Q0 w% i* S
' X3 K9 L6 Z: ~' h5 _' g. nxcorr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
5 H9 N( Z5 I) c& U+ d- u/ ~, ~( s
; j) l* l2 O* o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 v, T$ Y7 i: f4 z! t+ p- M现在call xcorr 100次，耗时78s.

如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
9 c3 |8 W' D* Z( L2 \+ k
( r) ]4 \! |. p2 y5 h  X$ Y

雷达

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

+ g! X- L: I& K; a' S
不应该，看我上面的回复。
/ E, C$ D6 F9 P' x; N) I
  \! m! H; k2 Y" |& i- 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)
' ~5 [5 L. R7 r8 _{
        comp temp, xtimesy;

这个不是这么比的吧。。。

) |) j" |2 l  h0 C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

! \" K5 {  `3 l7 r* J

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
7 \" {& x8 [! w: c; p) c+ X- 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）。

2 V$ Y9 J, \& S" x  G& p
有道理。
0 [6 U# h  O( R/ ]. L2 V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。

" w- w& B5 T1 P1 F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
+ _+ A# T: {( d3 i1 ]# v有道理。
) @5 E. a5 t0 `# z2 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，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
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

# S+ [7 G2 R% {: m' D1 s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
0 f" B7 Q( V# i! ^) L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。

% h: g$ R( R* [3 r/ R0 r+ S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。
! }- q+ q* A& p3 E6 ^9 G7 x
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。
5 Q& C' J  D* k
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。

7 C# m  r3 u7 B1 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

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 ...

0 `5 E( |+ X. i; t- ~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。

9 w6 Z( }' Q0 J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 ...

( p* P1 T. Y2 |4 `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
3 y' n8 Y' Q1 _& h; K7 k' z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 ...

$ v7 B+ W+ m+ l

4 K3 r) Q5 N6 ]  w
; W3 v5 k; |- _6 b( }1 b6 Q: d能不能把这个也贴上来，看看和上一个有什么不同？

雷达

0 z4 G8 f/ |" l2 `* S; @6 @* j

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？

  W& O  S  n2 o" g. z+ o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.

- O$ O- b% C0 R: j7 ~1 Z+ z! F  g6 A8 ^内循环试了4种方法，
" ]4 ?; \6 ^6 K8 U/ G3 r+ O1. 直接调用 vector inner_product 247s
6 {. Z7 f, ?% P$ J; s3 L2. vector 循环点乘累加 237s
, H$ |8 p) y1 X! w, p* q0 B3. float * 循环点乘累加 204s
4 {, \, g# W8 L2 \4. 空循环 100000 次 202s

! w! @* S1 v% I  R3 Q- b; y9 Q) J1 q# V不做内循环 200s

7 ]! g  W  @6 F, C, c4 }* B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。

$ e1 q! O& B) e1 C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);
7 z  y0 I' o# k8 ^) S7 ^        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];
, R4 _$ [$ ?3 `/ V2 L# N0 n
$ v- S* u) {: y  F: m& H3 p        for (int j = 0; j < 6000; j++)
; T" _1 K5 h. [+ i        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
3 G# l) z# d1 ~- c, M+ L                        });

, Z3 A+ e3 y+ g7 B                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
- X& x$ [$ B/ ^$ N                {
* M/ S0 o1 i% d# L                        b1[jj] = vec1[jj];
' Q; S* z0 }  R4 ~: i- a                }
% f! l: A$ n+ B0 [6 I
                for (size_t jj = 0; jj < vec2.size(); jj++)
5 I* H* [$ s0 y6 z" _                {
+ ^0 D; p4 t5 G. M                        b2[jj] = vec2[jj];
                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
. l8 N# M5 c2 e2 m4 _8 q- v                                
                //Method - 2  N=100000  237s
2 J$ N* ?: O; ]& w# T                /*
% O) W( t: _. T: a                for (int jj = 0; jj < N ; jj++)
; F6 o8 J- O5 n0 L* b                {
                        fresult += vec1[jj] * vec2[jj];
# |+ ?9 X4 u  q' a: Y) o                }
  E! {0 D1 b( y2 |3 g! H                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
                {
8 A9 ^3 \' [- R" n                        fresult += b1[jj] * b2[jj];
6 F  Y5 L/ D0 N. k                }
                */

                //Method - 4   202s
9 b* B9 O& \. \5 B                /*
                for (int jj = 0; jj < N; jj++)
1 t$ M4 h  n# P- A0 p' [! _$ v6 s                {
                        
                }
                */
4 |, @4 W0 T1 R% C0 T" r4 a9 v1 j                //comment out all methods, N=100000  202s               
        }
/ I% X" v( t" h; }9 R
+ }6 G% [/ L* x' |        delete []b1;
1 e; u  M* m* N: V' g        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？

0 V: `9 X5 K' D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？
+ i* i- v' {, R4 L9 d

雷达

机器猫 发表于 2022-9-27 00:15
4 n7 W  Z& b; P- b: d; s6 l% V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？
$ j* Y' _4 w6 ^; l
- j! v4 e& A5 z# U你第二个试验里面的j在循环里面又重新定义 ...

; ^7 r7 r0 k; B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

: ^9 A; O6 n7 N& A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
" }; r  U6 Z) p5 n! j- Z  L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
* j9 T4 m" w: H% e) Z6 F' V6 m
8 P" e$ I. @$ t% ?4 O' s( E' d不和它 ...

0 ]2 @, H/ D' b  C4 I  Z8 H
7 l% }: f" H8 A% \3 w7 t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)
7 ~& y/ B. O% e# A6 w7 \! P{
        comp temp, xtimesy;

) o, _6 M7 l) M. d& f# e( Y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。
$ H# {! d& D, P9 F  C1 h( Q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。