C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
% ^2 `7 m; o, e2 y
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。

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？
0 s7 b# S8 [7 A" ^8 W" W5 \把代码贴上来看看？
" L7 n& N! x8 i2 g' 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

6 v+ K) a) B7 A  M- Z) s

数值分析 发表于 2022-9-24 23:04
8 C3 L# K7 _: h7 A6 y" {拉下来？拉多少？
) [5 [, H" `0 J6 B4 K把代码贴上来看看？

5 _5 a+ @7 |3 m5 s9 L
: ~* k. R% |9 g4 D- E, S& E" svoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
0 U' g3 u+ [$ _4 i- O( N{
0 R( H. j+ B  J$ u" Z& Q/ m        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
: m% G0 ^0 c+ V& A* V        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
9 d; Q9 u  f1 ~. K! I        else
; I/ q* K0 n) K* I# q: O                reali = lenA;
) e8 F3 P4 ~  t/ G        reali /= 2;

5 x9 w0 P; }% A2 c) }4 V1 n        int nconv = reali + lenB;
        //#pragma omp parallel for
' K! Z8 A7 n' k        for (i = reali; i < nconv; i++)
& @0 a% A4 N4 C        {
; u! d+ I4 r0 U2 W7 [9 d                temp.re = 0;
                temp.im = 0;
# ~, z# ?: f0 X  ?                i1 = i;
4 [8 ?, E$ G3 O6 A  q- D                for (j = j0; j >= 0; j--)
                {
0 D/ U$ E; {; s0 ?                        /* floating date operation */
                }
        }
3 M2 p1 z0 W$ A' c}
* X+ O/ A% {- t) f8 w# T6 o
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
# B( A' d/ @/ m
$ P! P4 [$ v+ z, G+ j+ y( [' m; M' x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.
" Y5 I2 v* f6 W4 L, p6 }
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?

  y( Q' p, F5 `- w& G3 w( d
9 U# w7 k8 J7 h7 a& I% Y不应该，看我上面的回复。
2 ~+ Q2 ^  L# f& k
( K5 S# u( A) Y' K0 n) H- n我更怀疑是 VS 社区版的问题

数值分析

7 G$ p3 M" `% f. L) s

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;

4 {8 W; w, h- _! K0 ^
这个不是这么比的吧。。。
; l/ |7 A; Z( V; `9 T; I
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）。
# k4 h& U4 s& `% h9 p9 P. M
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。。。
: x; b% K# g/ 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）。

5 z8 D1 {, a5 `/ w$ w. s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。
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 ...

4 T) x+ D* }: _9 [" d* k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。。。

: l) b: I& h; J, P6 I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

* N5 z0 z6 t$ ^8 ?
5 F; w% ]" F" D/ A/ Y8 ~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

1 O2 N( Q5 Z9 e! x3 Z

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 ...

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。
! m- J% q  v: v
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。
6 _1 F% c4 N0 a+ T4 o
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。
" @' g; o  S  T1 t. ~
  @& t' N) d0 F) p9 b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
: e: N" d0 h* e1 l9 `7 ^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 ...

8 q' e% J" ~# \& n; J3 ?
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。

我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
* g, o0 ~7 Y3 m$ D9 J  \( L- 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 ...

& }9 F3 ~: Y  r! j4 \4 `时间差一倍的结果可以接受。
8 \. h! i( K4 H, k' t6 C) k
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

" I6 a  ^7 N& ~

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 ...

* ~/ g7 ^% Z' o" r
3 l$ i) y% {" J3 f
) V, ?" |1 X$ o% z  X9 l
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
: H: }' h- z: ~! K' A+ h/ B1 }能不能把这个也贴上来，看看和上一个有什么不同？

" @7 N) {  G3 ^; l+ |1 R3 z理了理思路，重新做了一个测试。
2 J) T3 [' i/ Z3 t5 k做了两个 vector 和 两个 float *, 都长 100000
0 G* Z0 L* f, ~/ G4 m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.
4 v# ?2 U! M, Y2 H  o7 D$ p
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
  e* W( e4 Q2 t+ f: F  v2 _" n3. float * 循环点乘累加 204s
4 F& ^& ?" O* B' X) `4. 空循环 100000 次 202s
, \0 r% f& e8 H9 v" B  X& z) R4 [
9 {5 e; ]& S2 O# a+ a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。
6 C# t6 S5 K$ q% H1 i另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
1 h0 f$ ^6 U* @( j  w  |- u% g
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）
1 n  S% P0 M! E; \
（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);
& Y+ F4 }1 I! ~        std::vector < float > vec2(N);
        float* b1 = new float[N];
6 j' w8 g8 ?6 u7 o5 S% Y& X        float* b2 = new float[N];
, C' Z' l2 N7 }5 J
7 E; ^* R5 y4 p* F8 m: E- q3 L/ z        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
( ?- C  _. w" C" l" t# t                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
/ a& r; M8 A. M* M& U                        });

7 ]1 p+ r4 G; M                std::generate(vec2.begin(), vec2.end(), []() {
9 C6 V/ D7 a0 X  _. I7 W( L. a                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
! m7 C+ }8 b+ V- m- |                        });

% E/ n6 M5 E4 h3 G                for (size_t jj = 0; jj < vec1.size(); jj++)
6 k7 }' I6 }. J- [* i' ]                {
                        b1[jj] = vec1[jj];
" W' ?4 K$ L7 ?4 `1 ~& Z4 B! j                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
; B: ]" B( M& L0 e                {
( L% m$ P; S' M: |* i3 Z                        b2[jj] = vec2[jj];
; Q, Q$ R) A5 h. w6 a                }
$ i* W; Q  ?7 o" W1 x
                //Method - 1  N=100000 247s  
$ A# `, E. ?, X, N; U' U& N                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
, Q7 W$ a1 n0 |8 ~8 p                                
5 E+ Y" X  V  P# l! P$ O                //Method - 2  N=100000  237s
                /*
                for (int jj = 0; jj < N ; jj++)
                {
                        fresult += vec1[jj] * vec2[jj];
' j5 k6 N3 r5 m                }
                */
                                
$ t% n; V) Y4 F1 |' ^+ A0 ]) F5 a                //Method - 3  N=100000 204s
                /*
. j# _: i6 [: c; U( c                for (int jj = 0; jj < N; jj++)
: d% y' O6 b" g  J0 \; M# U( d* ~                {
. ?8 K6 h' x" e3 o                        fresult += b1[jj] * b2[jj];
4 ?3 D1 Q0 A* V% ^; V% Q                }
                */

                //Method - 4   202s
3 R7 K- K% E0 w+ s1 s0 G9 T. u) v                /*
- Z9 W7 T, p& ~6 M% `5 H0 K% [# Y                for (int jj = 0; jj < N; jj++)
                {
- ]( x, Z! U# _9 ]" s1 D3 Q                        
                }
; l+ W- s- i* v                */
                //comment out all methods, N=100000  202s               
        }

        delete []b1;
/ S1 N4 R$ E3 U6 j) q        delete []b2;

: G# r( y2 _9 O/ x: @3 B( m

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？
" s" C: q& l; u9 _
1 P, ~  n, a6 n+ t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？
& s) T  y* d- o0 x; F  \$ W2 u
你第二个试验里面的j在循环里面又重新定义 ...

# f/ t3 H9 S2 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

% I5 L* b3 x  M1 \4 N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
. r3 w2 x" L% j- v7 m
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。
9 H$ Q8 r0 x; e+ ^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。