C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
  b& r6 d4 F$ e& v( I1 x8 j
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。

: b  Z) [$ F+ j8 T+ k& w速度优化问题真的很有意思啊。

; T7 P) x9 g. s2 q2 w( r. U1 W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？
7 a  i. v, O9 L7 I
5 {7 G5 J# U0 e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

( `9 F5 V. \% {6 N( T' |4 ?

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？

1 J+ O4 W6 i( q/ [$ K; p. ^void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
/ L; y/ b9 {2 M. G* `6 r, b        xtimesy.re = 0;
        xtimesy.im = 0;
8 X$ H! k4 g8 g. K: @        int j0 = lenB - 1;
3 j2 r+ k% t5 b2 Y        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
6 w: _. _9 o. x1 v4 O                reali = lenA;
2 X8 E* i' z2 p3 J4 L% n8 b, B# f        reali /= 2;
1 v, _4 F+ l( s% L5 [: |
        int nconv = reali + lenB;
6 J$ ~' S. U0 z, M        //#pragma omp parallel for
- ?! E) s2 T. j. ^        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
3 |' i+ m3 N9 i' H0 x, v5 I                temp.im = 0;
                i1 = i;
                for (j = j0; j >= 0; j--)
                {
$ o" K) t2 a8 T$ I: g) b                        /* floating date operation */
, @! _" E* }/ j( @                }
        }
. R& m& d' n- \$ `& c}
. U" X! ?" b6 Z8 X5 T
, U2 y# ^4 @  E1 s! L9 l% oxcorr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。
3 F/ B0 A3 m$ V# I现在call xcorr 100次，耗时78s.

# F* ?) v& G3 `: d- B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?

不应该，看我上面的回复。
/ D" S# @: _  m9 b
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)
. m, w: E( |8 D- Y" ?{
5 S' X" k/ M5 \7 Q/ V        comp temp, xtimesy;

" l1 ]" I+ h! s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）。
4 a0 }6 {% H3 B. K/ j
4 `" i/ M7 _$ h* X4 x* y& 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

* u8 q) t' y( y( ~: R

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。
# V0 e+ b0 H+ 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）。

8 m. ^- h4 ?1 j2 J有道理。
4 `- S5 n$ H1 J, P; ?2 j' m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。
2 a6 R7 H4 c: N/ \+ g! d
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。
& d0 W8 w9 Q6 Q' [0 O& }, K2 d- s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 ...

8 O/ x  @) H# C8 v! J  `  h8 Z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
5 N' \0 F$ E2 d, u. T4 T6 H这个不是这么比的吧。。。
7 O8 X! H6 ~, x) D% Z+ F. f
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

8 R, Z' ], s. E8 k2 A6 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）。如果循环这样跑，花不了多少时间。

数值分析

* G+ o3 s% Q( b, p/ S: y

沉宝 发表于 2022-9-25 01:48
8 f/ k6 `3 d/ a* X5 _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 ...

# J- j- L  K& c" w8 g- e
6 Q3 _3 R) b  Q6 t7 e: A是的，兄台说的对。
( E' A+ {1 N; j; M# y. 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。

3 `) F! a8 b3 G% v5 q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。
; V- a3 _' E2 G3 G
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 ...

, M# t4 K& ^& u( g1 \$ E
" b/ j  \- n; 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。

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。
, o# J  L, \  M) ?0 j8 B( _7 u) K
. W) {% {3 j9 J% S你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

) v7 c) B  x9 l

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 ...

' r" e$ y. K! m$ ]2 l
% H! V) ~6 v3 y9 L0 u' i能不能把这个也贴上来，看看和上一个有什么不同？

雷达

/ |: k6 G5 U0 _$ ]/ v; w

数值分析 发表于 2022-9-25 14:58
. u+ k. g9 V3 h. D: R2 z能不能把这个也贴上来，看看和上一个有什么不同？

  E- ~1 v" j# ~3 [$ p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.

内循环试了4种方法，
8 f# Q( o0 w& c  [+ t0 m( G1. 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

; {1 V6 `" B. k不做内循环 200s
) [6 F& y9 l6 A% Y4 v' J- z
2 a9 V- {1 \4 @; t9 ]: \6 @0 M你昨天说的对，内循环本身占比是很小的，大头在其他处理。
2 L5 J- p  w) u- D9 R另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
! [! Z6 C& b0 ]& i) b, l/ A# p) ~
; g9 `4 F: w) m8 i6 r; A6 K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）

. [6 o8 q7 \+ j4 ]+ |  W. v（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）

1 O/ ?+ b3 ?: C6 C

        std::vector < float > vec1(N);
; c8 G5 \5 Y8 {/ l" q% ?- R  `9 S3 y        std::vector < float > vec2(N);
- A  `! F' j6 s' P% f        float* b1 = new float[N];
        float* b2 = new float[N];

* T# F/ s* l1 }3 o        for (int j = 0; j < 6000; j++)
6 _% n- ]: i. Y7 w$ W1 p        {
# V9 i9 ~5 R% G6 e, e: G9 u                std::generate(vec1.begin(), vec1.end(), []() {
! o# ^5 `7 Q! S7 k: x                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
9 P* i1 p% ~% |" o. z+ {
                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
1 i7 o! i3 i7 z  ~7 n! p) B                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
$ w& I3 O) v& Z$ d                {
                        b1[jj] = vec1[jj];
                }
, X, V9 \0 l/ F- j; D- K7 [, X. @* B
                for (size_t jj = 0; jj < vec2.size(); jj++)
: W* Q8 B- |+ ?) z( Z. a1 a                {
                        b2[jj] = vec2[jj];
                }
! |$ f  `: @3 A0 W# ]3 ^9 J* K$ H
1 P- @+ d4 v7 F/ @                //Method - 1  N=100000 247s  
0 X" J- p0 g1 |! q  ]                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
, ~4 ~% z0 x* H4 T6 B                                
0 L& N$ N( K- C$ p: K, e* a                //Method - 2  N=100000  237s
. F' @; Q" L' @8 p" o0 j                /*
                for (int jj = 0; jj < N ; jj++)
9 z- p' n) @- T2 }, L+ \                {
: H% [0 G! v+ B. H2 c! X& w+ w                        fresult += vec1[jj] * vec2[jj];
- r/ f3 i9 g2 x- i                }
6 K3 m& p5 N$ ]4 e                */
                                
                //Method - 3  N=100000 204s
                /*
                for (int jj = 0; jj < N; jj++)
# Z. ]9 a* M  Z* F6 p                {
- a' i" b$ V. `  |% U                        fresult += b1[jj] * b2[jj];
5 m, M( @/ i' P! @5 \                }
                */
; b9 M! b! g5 U# E7 ^) X3 n
                //Method - 4   202s
1 l3 Q, s: z. z                /*
                for (int jj = 0; jj < N; jj++)
                {
4 J, U* l1 Z0 k8 G6 r0 z; I0 ^                        
/ x$ o8 F% t. Z) D- H                }
% r6 b7 b$ Z  U; H+ [1 P                */
                //comment out all methods, N=100000  202s               
& V- l: x& T) F        }

        delete []b1;
/ e) K; L: C7 F6 j5 Q& I* L        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？
. C0 b# z& l, m0 a1 |6 E4 V
8 c8 @- C, R8 w2 ~, T- U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
* K7 Z" Z7 |, p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？
3 Q' N: V9 [2 r: \
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
$ a( l. M; Z3 q- ^$ O; B
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
3 D4 {/ ~5 D1 h$ ~# ?# K. J
不和它 ...

' ]* W! @0 S6 w- j/ h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)
; B; R/ ~$ A8 w3 i{
7 N/ s; G' g: c        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。
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。