C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
5 n) T' v4 U# ?$ ^; T
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。
; N- v' _, G) r- Q$ {& m
2 F) [) X0 i) @9 n  [: y+ d- i0 f速度优化问题真的很有意思啊。
% k" G3 ]. ^. B; H- x- T$ i. i
欢迎大家继续讨论

数值分析

拉下来？拉多少？
7 `3 f1 G* ~: y9 z& h把代码贴上来看看？
) ~$ ]/ w1 B3 s2 Q
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
0 @) |2 i+ V. ?. y9 u: o( H8 E拉下来？拉多少？
把代码贴上来看看？

" n* l$ r$ E+ v8 _% S+ w3 }
void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
. E' P; y7 E1 [  C$ \3 u% q{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
" k3 P; O, z0 I2 @        if (lenA % 2 == 1)
, N" d5 [0 z4 K  M" T5 O0 J                reali = lenA + 1;
        else
# _+ s& x  }) y+ ?9 T& ^                reali = lenA;
9 T/ R9 `: [1 m8 `4 o/ @        reali /= 2;

        int nconv = reali + lenB;
0 Y) g- v; H7 ~$ \* t4 I        //#pragma omp parallel for
        for (i = reali; i < nconv; i++)
        {
                temp.re = 0;
7 S  l* b# R3 V* e                temp.im = 0;
( Z$ O1 f+ \! R: |5 u0 Q                i1 = i;
                for (j = j0; j >= 0; j--)
                {
                        /* floating date operation */
& \# G( }  u, E" e: m9 T                }
8 |) t+ ]* r5 L" o9 }        }
}
1 j( G; N9 Z1 F9 g# \
" Y- `6 z. y- `  Gxcorr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。
1 U9 @( E0 u/ h. J* J; f9 H现在call xcorr 100次，耗时78s.
& g, N$ C: w: O+ k2 {
8 C. c+ `8 s/ x) g: X如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.
+ Z' [. ~. o  F0 c# X' o& m! b0 L/ R$ E

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。
- w# H$ N8 a% W: |7 `4 Z
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)
+ `" a, j/ J& p, h5 J, o{
        comp temp, xtimesy;

5 `1 j: ^2 S# ?. C' t5 \这个不是这么比的吧。。。
. n& y5 s9 g8 m* T7 @# _( ]8 l6 ?3 m
3 S3 g( B. ]3 O; t' ~; ?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 q) s# z9 l6 D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

$ R. r+ E# O2 b6 @# {& r

数值分析 发表于 2022-9-25 00:20
这个不是这么比的吧。。。

! ^, Y" ^* d5 H6 a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）。

' i- V* G/ k! ]' u0 \
$ R9 h3 }: d5 O/ w  N" _有道理。
2 y& k: ?0 r6 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，记得 numeric 库里有算向量内积的，我回头试试。

, E8 A+ e" q) i& B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
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
$ v% L+ N) s2 [6 r这个不是这么比的吧。。。
3 t$ X5 T' B+ G4 W- T0 n- T
* x+ d8 K# |  M0 {; ?: L; 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）。

而加上内循环，光jmp和dec指令就至少多执行了6000个

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

! B5 |# D* h# Y7 o1 t5 t

沉宝 发表于 2022-9-25 01:48
% \4 g1 V9 T/ K/ T3 k' v1 [7 v2 t1 |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 ...

: y7 d7 C& J( Z$ N2 e9 e7 |. l5 ]
6 E$ |; f" Z/ F8 ~% F6 U7 o是的，兄台说的对。

7 |6 X% j( B' R/ [" V. U- [' y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。

3 q- ^+ N  U2 l8 n+ n; n3 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。

* J" s% s' B+ c4 F- s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。

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 ...

# V) L" C9 f) t' d" R
4 ]3 p. M: j# W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。
8 [0 y1 ?0 O3 O# z* e+ C
我已经完全懵了。

沉宝

雷达 发表于 2022-9-25 04:47
: w% M( E8 B4 v5 p$ `. m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 ...

% h! l' i9 Y5 g时间差一倍的结果可以接受。
" M; |& x* L) U: G6 f( w( p5 s
你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

5 @+ P. g! O8 s) P8 c: P

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 ...

; s* I% ]$ f. Q1 o. h2 \

能不能把这个也贴上来，看看和上一个有什么不同？

雷达

4 K! w# o8 D% q# [0 n# n% P

数值分析 发表于 2022-9-25 14:58
8 X6 k& ?$ G7 N" m; @能不能把这个也贴上来，看看和上一个有什么不同？

$ D2 X0 t; v& s# O+ Y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，
1. 直接调用 vector inner_product 247s
1 ^* [7 n' M! z- M. c& k6 A2. vector 循环点乘累加 237s
" z  v+ q4 @% L, i0 u* y0 U8 p5 R3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s
( V( d" }! Z& f  w) @$ \/ j) ]
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。
另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

1 b4 e4 X' k9 @: p  y  p& J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）

        std::vector < float > vec1(N);
        std::vector < float > vec2(N);
        float* b1 = new float[N];
        float* b2 = new float[N];

        for (int j = 0; j < 6000; j++)
/ e0 S: P; z( j/ X; u% a        {
: Z% N! e/ W. d9 v                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
9 V+ n6 s: B0 W: N1 y4 g, X                        });

1 \! _- a, b/ v0 |: S& R  z# o, F8 N                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
3 R. V2 o% E& y, o                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
                        b1[jj] = vec1[jj];
                }

! d! ?, Q1 {- X* A- G                for (size_t jj = 0; jj < vec2.size(); jj++)
7 j3 F6 h: \0 m! V                {
, X# ^! b" V* {! n: k# e! H9 e                        b2[jj] = vec2[jj];
7 k6 A7 g+ D# I' ~- I                }
5 K. Q$ J- O" X% _0 I, F
                //Method - 1  N=100000 247s  
8 H! r" V  h( c4 d                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
: U/ t6 x; ^- r( P  h" {0 _                                
                //Method - 2  N=100000  237s
                /*
* V" w! G# Y* I7 s( z' F                for (int jj = 0; jj < N ; jj++)
                {
/ c9 I( N7 U1 [" F. x+ L- E8 [. z- i                        fresult += vec1[jj] * vec2[jj];
6 {' p. {: T1 P" Q& G- [4 }                }
" S6 w; r9 K' @- g$ F                */
2 T8 r7 b+ ?' h                                
2 f9 w9 D. z7 L/ w/ k) r                //Method - 3  N=100000 204s
- @2 G$ z( G, v. z! K3 Y8 p9 ]3 y                /*
                for (int jj = 0; jj < N; jj++)
6 X7 E% V8 N0 e" g" g2 l                {
                        fresult += b1[jj] * b2[jj];
                }
& w- r- w5 r% @; I- z  s/ u                */
) f* L$ C- r; m4 C1 o6 X6 o/ b0 O1 o
# ~0 @$ U' \# r+ [                //Method - 4   202s
                /*
                for (int jj = 0; jj < N; jj++)
                {
                        
                }
/ K" Q  O5 B; c* J$ r( I                */
% |" F# z  l# g4 E1 E8 R                //comment out all methods, N=100000  202s               
        }
; T& b0 H; q' d$ r5 J% D$ S3 K. l+ W
( Y1 G8 |! ~+ J8 S6 I3 N! |        delete []b1;
        delete []b2;

0 s. v9 c0 k/ d

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？
. M; p6 X$ u8 u1 P
# B, [. t3 n% ^6 t% W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？
5 |- F* S# L& D8 F$ K: }8 ?7 V
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
2 g7 }* R4 R% V+ b
( N/ r' d4 q  W/ 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
6 F  q) |# ?0 k# w9 X5 I/ r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
  g7 ~! Q5 O, P+ e
: e( n. e0 w4 B. y4 F不和它 ...

3 ]+ l! s) L% n' b1 p
* y# d! j) J- u# R1 _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- Z: W" G% G        comp temp, xtimesy;

( M/ r; {% c  I- O% W- ^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。
( P. {! n2 G0 z( f& c9 a4 E! y' T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。