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。
/ U% J7 Y4 @3 D- V+ Q4 u
速度优化问题真的很有意思啊。
, Y9 g0 j2 i3 m
$ L" l# T8 A; J  d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？
1 W, J2 `# s, O. l7 v4 O! T7 t/ C
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

3 K$ r) o7 L) V$ _5 [

数值分析 发表于 2022-9-24 23:04
$ r* k1 Q, \; Y; i, N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)
$ E* S" p4 Z; M1 {+ U* a2 ~{
% _! D2 o$ y1 a# ]. f# M        comp temp, xtimesy;
( E( L$ B4 \) C+ U) c        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
. `4 Q- P8 j- Q  a8 e. w        int    i, j, i1, reali;
        if (lenA % 2 == 1)
+ @; D; V: w; ~7 P+ J0 ^1 P                reali = lenA + 1;
! L: U& A! |/ v- t: v        else
                reali = lenA;
4 b; D  F" z: T+ u5 k; [2 x/ E2 O        reali /= 2;
8 i5 ?! A; \6 I( ?* A5 g9 L' l: M
        int nconv = reali + lenB;
        //#pragma omp parallel for
5 O8 ]6 l: I  ~0 g6 Z  k+ l1 \2 n        for (i = reali; i < nconv; i++)
        {
1 R# N9 i0 w' t2 M7 a4 R  G  r                temp.re = 0;
. N; w6 g8 ^" ~% I8 F7 E) ~" f9 u                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
5 r9 b2 g! \; c" N, d+ f                {
7 U3 O/ N' Y3 l# u. K                        /* floating date operation */
                }
        }
* F, Y" l2 ?9 r  }% L# V}
- |0 G5 v: {4 P. j4 k
4 @- q" _. T/ @7 s% R) Vxcorr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
' O' S  g# L- p5 D# A/ O: @
3 Z  N* h* [4 W# U+ Y% T红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
现在call xcorr 100次，耗时78s.
5 K! o' ~0 X/ J8 Z9 S" R# N" V
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
  e1 B6 Q5 _4 y( oMaybe Debug mode?

" i4 |6 J3 |* s- P9 q) ^" d
/ V2 w& E# e" G: A) E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

+ {) ^1 N- c3 Z! ^: `

雷达 发表于 2022-9-24 23:54
3 l/ O. Y: Z4 ?9 ?8 G6 E. hvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

9 N( F2 N3 ?. i' I
这个不是这么比的吧。。。
; |/ ], Q- d" d0 a; i$ `
( Z' ~9 Z" x  z0 V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）。
8 Y5 }- _, h' b  S- ^
; X0 c) b; }( K" W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。。。

5 t, z/ h: C& x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）。

, {; B4 i/ t- T0 U
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。
6 p, u3 s* ?: V3 H( m$ T: R
' ]+ {: V  u6 _3 [1 p+ E  X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。
' j! Z! }* ~2 H; O$ {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 ...

9 `8 D: o+ w# |& M+ w7 s) S0 O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。。。
4 X  t! [4 E  |5 r/ b
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

* Q+ r; d: d+ X( c
) S: R2 W9 R! C; k- u: U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

6 g# Y+ U8 e* ?" J0 B/ B

沉宝 发表于 2022-9-25 01:48
% w; x  l' p, Q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 ...

; Y8 s; o! m8 Z3 w% E: f" B: ^& X
; v. k' _# C$ d) |6 @# D是的，兄台说的对。

7 \, Y$ _. M6 v; c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。

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。
3 z% j. n% N3 a5 S) Y' c7 Y/ C
) G: `8 d, X+ z* r* a( n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
5 O2 U* u' q! N! f% E" f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 ...

/ t* m9 l& ^: |. M$ H. H0 H
9 Y) l6 x# w4 C% `/ g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。
) a. L, [4 S1 D  r# O) p. d
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。
" [/ ~6 j9 b$ K5 {, M3 e
# q; D0 R( Q# A6 ^: S6 I" _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 ...

# m2 d7 U* P$ ]* K4 ]/ T7 E
& S' G2 [( z$ s. b
: J6 w7 I5 v! [: d
" \+ C* H) t6 b! s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？

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
* F8 S4 g9 p8 A( y, ~0 w' I& Z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.
5 d; A- d3 ]  ~
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
, v5 w, \2 ]+ |% I0 L3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

3 Q/ z9 F/ ^6 X不做内循环 200s
( \+ N  s+ q1 A+ p+ f+ \; s9 `  ]4 k
$ @% x& u& I, [# \( T3 A, p- d7 \你昨天说的对，内循环本身占比是很小的，大头在其他处理。
! f, i6 _+ Q( A/ l4 w. d# i另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
: z  A9 ^: c4 c! W9 j' Z6 t1 e2 ~# L
. }" H, r' Z& ?3 c' n1 g: M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）

  t. ~4 X, u# y7 |（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）

9 H3 u5 O8 r8 j) O

        std::vector < float > vec1(N);
/ J. b( j: r+ e. _3 o/ u  e* i3 e% q$ t- u        std::vector < float > vec2(N);
/ s  r, u0 U! B( p! h        float* b1 = new float[N];
        float* b2 = new float[N];
' l! b$ z- X6 l7 |
: D! g8 |' h! t: V' ^0 ~        for (int j = 0; j < 6000; j++)
$ Y# a2 V0 q" _6 t1 D        {
                std::generate(vec1.begin(), vec1.end(), []() {
, s. d( L4 @1 {* D6 Q' X7 [! {$ j                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

% e" I1 Z+ L* o( N3 f2 U- ]                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
- Z3 u- r: ?0 q7 U, }' P                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
# Q% m0 a- b3 o6 N: f                        b1[jj] = vec1[jj];
                }
$ @: t# n8 q! \  Q8 e
, H0 [/ e4 B, n( C                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
                        b2[jj] = vec2[jj];
, j; l" z8 e1 D' s% D' t; L' n                }
4 j4 s( }9 \& X/ R1 e/ z" E
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
  P* b* k0 L% Z$ ^8 ~                                
                //Method - 2  N=100000  237s
9 L) ^+ s' f' n6 K5 u. s                /*
                for (int jj = 0; jj < N ; jj++)
, N, g' g* J9 _1 O( w% ~; V4 G                {
3 ?, I, l5 ]7 [4 d3 I: ?4 _  o                        fresult += vec1[jj] * vec2[jj];
                }
$ Y% Q, o2 _2 V. ^                */
                                
                //Method - 3  N=100000 204s
                /*
8 Q9 K' d' ?4 g' Z                for (int jj = 0; jj < N; jj++)
- U: K$ x8 ?! I6 k5 l. ], Y; Q                {
, x+ V  H4 D7 @( u) ]& k                        fresult += b1[jj] * b2[jj];
: N$ [( b* F4 A& ~$ ^6 k' M% e                }
" O0 T9 n1 A' L  p, A8 d                */

8 o8 q* X: a' A8 Q! X: a/ o                //Method - 4   202s
                /*
: y$ j$ d" ]! s8 \4 b& m                for (int jj = 0; jj < N; jj++)
                {
                        
$ p! H% n) n, M' U# q" M% @1 Y. i  J+ L                }
                */
8 {& M/ ^6 B& E, N1 u2 }                //comment out all methods, N=100000  202s               
        }
0 ^9 f3 a6 N; {, ]+ x/ `
        delete []b1;
  Q. @+ o% m6 E- {! x        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？
: ]) E+ v7 S6 [4 \
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？
5 B8 |) L' N, u: O: V4 c" }# b

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？

. n- j  {4 \# _& h/ d5 W你第二个试验里面的j在循环里面又重新定义 ...

3 H# x; M7 [% Z  M2 H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

2 k/ ?- M- ]8 x) {' |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
7 E4 q4 b0 s- s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 ...

, T" L) \3 A7 X+ g7 n1 Q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
' Y4 W+ l9 R3 d! D" Hvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
3 \2 H% I9 g+ Q1 w{
6 ]- c& L1 A% P' _! A1 t7 u. M3 S        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。
, T% O. B* O: w$ w9 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？
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。