C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

% B  t2 n0 i+ M2 o0 O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。

( Z2 j& s5 M# C3 W" u7 b/ o* x速度优化问题真的很有意思啊。

. A9 }4 b0 n  i) g" H5 v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？

4 M9 I. [' ]& G  h+ X6 h6 w: s, F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？

; ?3 w" X  f- D% I( q; Rvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
7 o1 S5 r, s8 J" s; f2 `        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
% c% _8 a; J3 f9 R* a; f% ^' n        else
                reali = lenA;
5 a; B9 Y+ h  ^  Q- @3 a: Q' x# ^; n        reali /= 2;

        int nconv = reali + lenB;
8 G% A, ?5 G0 G, h        //#pragma omp parallel for
: F" T, m* N. W( p. c& Y        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
/ T- k; I1 x$ g: r                temp.im = 0;
, n; L7 Q; i5 z; f                i1 = i;
                for (j = j0; j >= 0; j--)
2 o; d! S  ^7 V. u4 H3 j) J                {
% o8 n8 q- c/ j! b; l                        /* floating date operation */
) M" V, B& n* @0 [8 X) K7 ]                }
        }
}

3 ~7 ^& R) u7 t  U1 W+ A& lxcorr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

红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
' C" J# A' d: i; K' `5 k, K3 O现在call xcorr 100次，耗时78s.
0 ~& C3 J1 g" S5 |0 q2 O
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?

3 r& s3 G3 T9 _9 s) T1 `2 M
8 i# b  [/ s% l5 W* Q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

# u: l+ U0 Q. [: s7 I

雷达 发表于 2022-9-24 23:54
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
4 S  d9 W% S8 r# y4 t! d* f{
" i* v" H+ r* Y; B! x        comp temp, xtimesy;

" q5 v6 C$ F9 j3 @+ G
' @$ U5 h# Z: _( q( P! F这个不是这么比的吧。。。

- l) z/ P( s; E, M# 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）。

) p0 Q+ c0 i% d& g! ]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
& s& g% z5 D. P4 n这个不是这么比的吧。。。

( y+ N9 \0 X+ F. }$ r/ 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）。

7 Z  @) r. z0 h" q" X- l5 H
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。

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
有道理。
4 E* w; f7 S' C( W& g, p' I& p4 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 ...

3 Y. k+ o# U) C, M, ]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
' c/ \" t% W$ I4 \6 tWhy 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

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 ...

' k  e% I8 C7 x. l$ k' s, ]
9 a$ h# q! D6 T# m5 Y是的，兄台说的对。
, m* q* i4 d$ K: W0 {: g0 n. [2 u
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。
' T7 S2 r4 ]% c+ f) 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。

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

4 F- g# F! O: P0 \  W

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 ...

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。

( w$ U6 S# o' V1 c我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
! m$ y7 D# i# j+ c" 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 ...

时间差一倍的结果可以接受。

% ]# |1 K, M; R( b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 ...

3 G1 Y% M# K* ^# l. I2 b' K
1 a! ]/ V' E% V- {  @9 B
0 `, N6 z. t  D% s5 {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？

5 B! T/ [& }( C, L) ?1 J: I* ]理了理思路，重新做了一个测试。
+ z8 P5 S$ d3 H7 P7 G6 E做了两个 vector 和 两个 float *, 都长 100000
& w0 W+ P" C, ]& J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.
! x( V! y  K' b! x9 b: d) F  D
内循环试了4种方法，
4 v: b& P' v& O, O3 r1 u1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
5 H3 E" B9 n; {2 ?" ?. I3. float * 循环点乘累加 204s
6 G( z- |( z3 E5 G! `1 z/ C4. 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。
另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
* Q; I) l" _1 u8 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）

! S# |7 V8 z  j（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 H$ }! r6 T4 M) o$ B: b! i# L

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
$ O3 _' E% J4 j0 {) Q0 V& y' }        float* b1 = new float[N];
4 V  d* P8 Y2 W( M0 h! {" p        float* b2 = new float[N];
2 Z6 E) y% ?1 K( j8 B8 ~& F
7 F! @8 j5 \  I5 y7 H        for (int j = 0; j < 6000; j++)
        {
% h! ?8 A# m6 L" S8 W                std::generate(vec1.begin(), vec1.end(), []() {
4 G7 G2 E( n4 o                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

: a) D. o/ j" ]                std::generate(vec2.begin(), vec2.end(), []() {
7 Q1 ^( L4 j6 G8 Q/ u; S) Z                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
; w* q6 p- e' t8 F6 e                        b1[jj] = vec1[jj];
" s/ G0 {) P4 [9 P+ o" G                }
  w& Q' c6 }  R3 P! I& M
                for (size_t jj = 0; jj < vec2.size(); jj++)
6 \; ^6 i8 r* g0 T- t                {
                        b2[jj] = vec2[jj];
                }

. V7 A) V* P+ B6 H                //Method - 1  N=100000 247s  
) Y, P: y! C4 J' R% p* B% ]                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
7 m! K" k) w2 R) x2 o( P% u                /*
' S) Z7 `2 n, Q1 O                for (int jj = 0; jj < N ; jj++)
: {) U% O' E; \8 \" d                {
. S2 ^$ M6 g) A                        fresult += vec1[jj] * vec2[jj];
                }
                */
                                
8 e; A! p, g& _                //Method - 3  N=100000 204s
% |* @) i' Y% x' |7 `                /*
/ s# d; N3 k- _                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
+ F( X  _( x. X) ^5 B! q                }
                */
5 @8 R8 s. z; y) }- T; H; ?
                //Method - 4   202s
, Z1 G0 s5 w/ p1 Q; X                /*
. n/ ]8 T) b0 f0 @! D! g                for (int jj = 0; jj < N; jj++)
3 ~& e  y& r0 ?9 c5 t' B3 i5 j                {
. p+ N* P7 }: b8 B( I) I- B                        
                }
                */
' w* V7 Q1 `! V& C0 i+ Q9 D% ?                //comment out all methods, N=100000  202s               
        }
. m' c( v' Y* {9 o% @8 P
  ~. P1 a4 Q1 j/ i7 W$ V  U        delete []b1;
        delete []b2;

6 L9 ~# V3 G1 [* c

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？
8 r: n, y2 q+ @) F
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？
, g# g5 @+ d1 Z7 b1 H  S
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

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
* Q8 a) x; @! j) V* 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
  _6 C) i- i/ B2 [) K
不和它 ...

# U( ^7 t# n' \3 U1 @  C$ c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
( p6 d- [9 e: N  ~0 d7 I+ b' @void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
+ M3 A8 X5 {0 ^  O        comp temp, xtimesy;

6 ~* G! k; `* }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。
3 e1 l8 d; q" v: n, p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？
5 t' m2 V2 \+ \! eVS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。