C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
$ r6 O1 X6 U% H1 I
- T0 ?" l! Z, _. ^2 p* p# G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？
把代码贴上来看看？

9 w% e- \# E1 I3 M$ b) x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

0 n, u  U4 F+ Q' f& e# e

数值分析 发表于 2022-9-24 23:04
/ p' g0 v) g& j6 ?) F8 i拉下来？拉多少？
, K4 N' Y+ A" u. Y0 G把代码贴上来看看？

# R3 W5 F# j5 K9 Q: xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
: M* F# e% t2 F2 E7 ?{
        comp temp, xtimesy;
) H8 q1 R  W' |' z        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
        if (lenA % 2 == 1)
) f' U; s8 F3 e* |! c# W                reali = lenA + 1;
        else
                reali = lenA;
        reali /= 2;

        int nconv = reali + lenB;
        //#pragma omp parallel for
" I0 j0 v: g6 L' g* B        for (i = reali; i < nconv; i++)
        {
1 E8 u4 }7 ]% j% K: l7 z                temp.re = 0;
                temp.im = 0;
* N" Z( j; a0 W8 X4 i% U                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
, u$ J$ V9 z- B3 y, \* H9 o! l                }
6 }- d. Q) @( G; q4 a        }
}
  A  {+ B4 t% t! L2 s; ~
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
; ~* i  k, H( ]" \
6 e+ I( g% U" H' }" N- e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.

雷达

风雨无阻 发表于 2022-9-24 23:33
Maybe Debug mode?

$ V/ y% U; R# W5 C3 I- G/ F
$ w0 @0 v: x9 ?6 J! Q不应该，看我上面的回复。

6 b5 A# k: M/ g, @* O! m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)
6 z2 ]3 u5 f& D1 l, @{
        comp temp, xtimesy;

. [% j# M: M5 A5 [# O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）。

: [. ~; Y- G/ x% G3 H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
5 H2 B, g& v! F" ]这个不是这么比的吧。。。

' H9 R# v* M$ ~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）。

* J, }  \3 ?5 W9 {
有道理。
: i+ {# S' v* E) U& J% X8 t# n" U& W9 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，记得 numeric 库里有算向量内积的，我回头试试。
* q. ?& m3 o1 v$ ?- j
& Z2 M2 u) ]0 e- B- k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 ...

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
! B2 s; Y" r& m6 v2 CWhy 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。。。
; W- s. f, i( Q1 X! y! x
) P6 P/ v* Y1 i# g& @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

4 `3 P6 M+ o6 E* F
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
$ i* {$ k- M: k( K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 ...

' R8 b- i% X9 r
1 [0 U1 I5 A: n& _+ e% b- g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。

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。
0 f1 M- q% K& Y4 R. O2 w
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。
) H, n, p- r: c! w, Y
' E" f3 y4 d5 L5 p  I8 G+ l* y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

% D0 A* h) J, [4 s6 i/ o* C

沉宝 发表于 2022-9-25 01:27
" i$ Q0 G' p# x9 u$ q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。

" J4 Q, \$ L# Y我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
3 _; G2 R* B" }! b: t5 T8 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 ...

时间差一倍的结果可以接受。
  e# L7 y1 E' b6 H0 c  x
" k) j: t% @1 u0 w- X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
- H6 c8 n1 L0 b3 k2 ~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 i; p" W9 ^/ B
能不能把这个也贴上来，看看和上一个有什么不同？

雷达

, Z8 \2 l; x/ {) W' t! n0 s

数值分析 发表于 2022-9-25 14:58
5 Z$ w& j( p/ i; k7 S5 X- I能不能把这个也贴上来，看看和上一个有什么不同？

; t+ T/ a$ G9 z  u; \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.

8 K; i! I% y) S6 k内循环试了4种方法，
' v5 w# F+ C4 O% P6 M1. 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
; K+ h) ?. A1 {- W' q+ n4. 空循环 100000 次 202s
4 `) X" Q# f/ |( x$ C, R
1 x# [2 D" R# L' p7 L+ C! y- M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。
* J( o/ F! l, a, R2 S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）

1 J; b1 B' a6 S1 G（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）
4 R/ `0 l; V2 H5 z# o! s& Q: L
. D8 P- J3 U! S& q; A- l. R: |

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
# l1 J0 i  W3 j7 |0 B; K: O, q        float* b1 = new float[N];
  F; ], ~; M1 d. s5 b5 O        float* b2 = new float[N];

" I; k* i* ^3 s& t  f: p: e+ k        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
5 z* Y% Q* _+ d                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
; }; _; X: `/ f7 B1 j7 l                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
/ S- D+ _& j" p& V                        });
; D6 x1 b# E; w9 Q
  T6 \* A6 ~5 q1 q* a3 ^$ H                for (size_t jj = 0; jj < vec1.size(); jj++)
; q7 \3 O( P2 k" h9 {- s3 b                {
                        b1[jj] = vec1[jj];
  a7 i- r3 w/ X4 K& j7 V4 h                }

' _3 W0 c4 i) U+ V3 I$ q                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
6 f; D9 G% A& T$ x3 h                        b2[jj] = vec2[jj];
                }
8 Y- _. T7 J$ @( Z2 C
                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
) S  j1 {$ a3 R( p5 K  g' `                                
0 Z# ]- Z/ Z" [' ^5 \* `" Q$ x- A: ?                //Method - 2  N=100000  237s
2 g5 i: H: E7 R* d2 t  }                /*
% n8 s# w% u7 Y6 B7 u, Q! ]                for (int jj = 0; jj < N ; jj++)
3 \- X/ c% B, z" J0 D                {
                        fresult += vec1[jj] * vec2[jj];
                }
% i- n: |; s: h- C/ s$ E" v7 M                */
                                
; c) K- w; D/ O! H2 u% E8 D: a: X  W                //Method - 3  N=100000 204s
# `8 `! r" ^. K9 T! X( _                /*
* `6 Q1 M( I5 H/ Z  R/ R' @                for (int jj = 0; jj < N; jj++)
                {
                        fresult += b1[jj] * b2[jj];
                }
                */
& q; T/ ^* M# U. C6 u4 O$ c
                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
. u7 `. w8 Z7 v+ [                {
: t1 c) B; X! N  q# a2 L                        
                }
                */
                //comment out all methods, N=100000  202s               
        }
2 \5 M( k2 t4 p
        delete []b1;
        delete []b2;

6 ?' {1 `2 p- I  z0 p' l

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？
: Q9 G9 p% G8 c9 D
$ X/ O) L, i4 r* a" C( k3 s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？
: ]/ o6 X; `3 Q. h" M. K

雷达

机器猫 发表于 2022-9-27 00:15
& a' ?+ Z; T! Y+ M0 f8 K+ }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 ...

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
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

7 }: M; L1 G4 z/ `& B* F+ c. c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。
. _) M3 ]. N6 ]( V/ E5 G, M: P3 p! p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)
- ~  u, d3 U; E# p7 V8 U{
        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。
0 X/ p% E) ]1 E( I/ i/ I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？
! }9 e' i! y! c2 `& xVS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。