C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
! H) T; S; ^6 _. s
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。
9 |/ v2 k, Y' _6 R! I$ \
( f/ M3 x( }+ h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？
3 N0 V# s) l3 ]8 E/ ?4 ^8 ~! I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
/ z0 N) k" ~% {& n拉下来？拉多少？
0 v: [5 X. A- ?, {5 t把代码贴上来看看？

5 M+ M5 W  k+ }0 U( t& Fvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
4 ?4 C1 G( A$ y        comp temp, xtimesy;
  s' t5 i7 s/ Y6 B  A$ ]/ X        xtimesy.re = 0;
        xtimesy.im = 0;
# }) h9 f; D9 Z9 b& I        int j0 = lenB - 1;
        int    i, j, i1, reali;
1 ^8 i" ?5 k6 i; x        if (lenA % 2 == 1)
9 A  G9 R; m' l) R; Y+ S                reali = lenA + 1;
; i! G( V! N- f1 M( y7 R5 K4 ~        else
                reali = lenA;
; v0 V% o% u1 y# M- m7 h        reali /= 2;

6 H" G8 s4 p: w1 H$ ?% c/ Z' e+ b        int nconv = reali + lenB;
        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
0 P8 |% B7 t7 U" ?9 [/ ~                temp.im = 0;
                i1 = i;
; A7 E# z3 C0 ^6 d1 w                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
                }
7 _( F! L3 B! f0 |        }
' V$ R$ ^- Z# T3 l* H7 V}
2 [/ @# D/ {" `+ O6 n
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
$ y3 V) b  E4 E) D3 b; c( r# t2 P
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.

如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
) |3 V3 P- H8 t

雷达

风雨无阻 发表于 2022-9-24 23:33
2 A2 [; V4 P8 c; DMaybe Debug mode?

2 [  Y; P& C$ W5 g
# T2 i# J" R7 y- N4 o不应该，看我上面的回复。

! ^2 \! ?6 {: p3 r- F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)
{
+ @0 j- ^7 [+ i: C3 T, p% W& K# f        comp temp, xtimesy;

9 G( M, l, a( @5 j9 {6 `9 j这个不是这么比的吧。。。
/ ^% a- v8 \% x: [" E) P: {
& I4 p5 d; h+ n! K: `4 c( v" J9 s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

% t, z7 x3 F6 u0 y/ _5 s  H

数值分析 发表于 2022-9-25 00:20
4 s# W, O$ T! v! q" J$ N+ e这个不是这么比的吧。。。

/ L6 b, ~2 G- 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）。

2 y: D, R$ ]  i6 k3 ]  P, A( E8 V
有道理。
7 q# J, L  i5 H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。
) m8 C% [4 K7 h8 H* g
6 R; Q; O9 f) Y" k2 @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
  g, c; u" B% z0 s! w3 n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
' a4 Y; A5 _' ~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。。。
) S5 \& F/ U8 C* z/ n* d  V2 }; 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

  v3 @  s1 l' K& n7 h. o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
/ |4 a. u9 }5 S& i3 {$ 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 ...

2 i" C/ H0 I& Z- `9 z是的，兄台说的对。

4 ]0 e/ l, v$ m% K7 O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。
: M2 y: b/ j, k2 G5 }
/ K2 F# z) q! {* S$ e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。
, }7 H7 m! `* Y. @5 f
. \6 H0 v$ |- y  ~* u, M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

) c: O/ E0 i/ j1 o& j' k2 ^

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 ...

* ~# V5 f! e; j# i% T: 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，时间差一倍，我上面这个差的太多了。
, J0 a! w. I; ^
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。
" Y$ i: L0 c5 Z( d! i6 Q# m. F( Q
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

0 c- P: V- B0 a$ V7 U. u

雷达 发表于 2022-9-25 04:47
$ b: Q/ E/ W! ~& c- ?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 ...

  @5 @6 x3 b; `$ G) r% e0 j
; n3 W( n# m$ L  b  W
& u/ T2 V; f5 i
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* M: ^+ |+ M2 Q. A- d: d

数值分析 发表于 2022-9-25 14:58
1 [" n5 h; {& P1 r能不能把这个也贴上来，看看和上一个有什么不同？

0 [4 P0 Q( {2 j7 x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.
& l$ B6 P) A2 c
4 g" ^: g: w+ Y5 Q5 N1 i0 B内循环试了4种方法，
* d9 x  S. |8 R9 X2 T6 p$ `1. 直接调用 vector inner_product 247s
2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

, M* A. [( I1 K不做内循环 200s

$ ]* N, E' ?) R0 \0 n. K" V你昨天说的对，内循环本身占比是很小的，大头在其他处理。
: x7 x8 h( x* k* k1 c0 Y另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

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）
" Q: E$ E$ k; v

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
$ }9 ~9 Q. a( [# z, H4 j% K' w+ g: U        float* b1 = new float[N];
$ {. P4 L; l$ V. d- ~        float* b2 = new float[N];
# _" O2 Y4 N0 o( ^) B* T
        for (int j = 0; j < 6000; j++)
        {
/ F0 i9 r! ]! W0 P                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });

                std::generate(vec2.begin(), vec2.end(), []() {
  V* j1 P0 ~  R7 A  M                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
7 a( Z4 n+ V# G& k1 e$ h, Y                        });

  X* m% P3 p. H1 P                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
  Z) c! Y( b. ^                        b1[jj] = vec1[jj];
( m* o0 d% n  {% u7 A; W9 A, D                }
3 j0 n: l& ~& A0 H5 Y
                for (size_t jj = 0; jj < vec2.size(); jj++)
' V/ l! ~+ V# E2 c                {
7 Z$ r/ O4 z8 |" ?$ H6 O2 g                        b2[jj] = vec2[jj];
1 b; ~. k  c1 \7 s/ V1 A: I# B( c1 d                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
4 ^. B. A, @8 E9 Z                                
2 a7 }, N5 I. Y5 u4 |                //Method - 2  N=100000  237s
7 y9 i$ l2 m4 A) s4 d6 Y, T                /*
' I! S% Z. J6 ]% s9 M: y                for (int jj = 0; jj < N ; jj++)
/ N  c1 Z% N" W4 h                {
, i, K- h" v. g1 ~                        fresult += vec1[jj] * vec2[jj];
                }
                */
) C* m  _, r3 l1 x0 ?/ x, W6 R                                
+ h/ T: m1 ]* R) `" E( }                //Method - 3  N=100000 204s
                /*
9 g+ ]$ }2 W$ }                for (int jj = 0; jj < N; jj++)
4 b4 v2 N3 N, `, ?7 G                {
                        fresult += b1[jj] * b2[jj];
6 N) L3 V& l; q5 [+ G                }
                */

7 u' o8 C+ c8 {1 c& l* O' Z                //Method - 4   202s
# }0 r/ D1 B& I0 I0 l5 ~                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
                }
                */
+ B2 C, p3 H2 h" {7 Y& c* F                //comment out all methods, N=100000  202s               
5 v8 \- {; u) }, P        }

" L  Q" P0 l" \* x6 I" w        delete []b1;
1 `  X" W3 ~& n1 Q        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？

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 Y0 k  L2 i- p7 p) {6 k2 d

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？
, K" N; ^4 j! i2 r
你第二个试验里面的j在循环里面又重新定义 ...

+ |4 f, b" F( H9 S. m7 D/ E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
2 F0 C( a2 _( `! ^% x1 b4 n* s9 `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
* C4 y9 G4 }5 r( Q+ ]7 R+ n
不和它 ...

2 ?* w" P4 {5 O
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
* [2 k& Z" G. Y/ y5 \9 q1 b7 Lvoid 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。
# I/ [+ f3 B! g3 c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。