C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

# n% d" Z. _/ }# k$ }9 Q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。
! ?, J9 @+ u! F( l$ g
- F5 g1 A5 W1 n( C2 e  ?0 k) P: T速度优化问题真的很有意思啊。

) @3 _3 D0 J% E- E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？

: h* _# j" f. ?6 C: E$ y8 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
拉下来？拉多少？
把代码贴上来看看？

% o! e1 {& g* `! a: Zvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
$ s* r9 f: B2 R5 Y4 F{
        comp temp, xtimesy;
! ^! n/ B! b( @+ e) y        xtimesy.re = 0;
        xtimesy.im = 0;
        int j0 = lenB - 1;
        int    i, j, i1, reali;
% b3 _; Y+ A% `0 D- H        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
, e7 o( c1 b3 Z" `# I% `                reali = lenA;
        reali /= 2;
  O0 J3 w( Y; r% g3 ]4 R% b
        int nconv = reali + lenB;
        //#pragma omp parallel for
# e: A: d$ e" Z5 @2 R2 D. J- a8 y        for (i = reali; i < nconv; i++)
: g% P' y; z3 A) I: E; [        {
                temp.re = 0;
                temp.im = 0;
; Z9 c# \. U3 g$ W+ \1 y                i1 = i;
3 B/ e- I% s7 v& F                for (j = j0; j >= 0; j--)
+ T! c; Q8 S3 l7 h( e# w6 v                {
8 p) r& f6 j- g: x9 Y9 i/ G                        /* floating date operation */
                }
        }
}

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
1 A. p3 N$ l# K: }
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 H$ A: D3 x% [' l6 f) Y; Y- N

雷达

风雨无阻 发表于 2022-9-24 23:33
" m: b7 s, H$ Z, j4 B: ^4 W) BMaybe Debug mode?

. B( f8 G0 f9 H: O不应该，看我上面的回复。

7 ]) K( l6 i& Q$ H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
( Z5 L( x1 F$ w8 p- ?void xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;

+ I) a4 v- l) Z+ |' [
这个不是这么比的吧。。。
; |4 N. q* {* c( ?0 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）。

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。。。

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）。

( g: i" G0 }3 v  g" v7 ~
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。
: I6 @: l+ c/ s4 Z) w' P1 y4 I) k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
2 Q! l; o- ^2 `& o* }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。。。
% o" `7 M% j8 v" V
. L' i* c( B& Q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

2 S' X+ @  p3 \& E+ p% n
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

& }2 `, U1 v, n. k

沉宝 发表于 2022-9-25 01:48
: P# e3 N8 k& F; c$ _3 W* t9 M  S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。
: k4 i5 |. {4 [
$ X8 @; A2 H( w) t. _2 X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。
+ @1 u% u/ B6 c/ ]3 O6 Q" ^% |, J
, t. n# p! b. p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 ...

6 d; z# [; ]% m# ~1 E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。

- |1 O( M, g4 @* D' V& g5 l% @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 ...

' L$ |5 `4 V3 }0 d时间差一倍的结果可以接受。

# T8 z0 R5 e2 }/ v4 j9 v/ {你还是用profile工具看看吧。现在大家都主观瞎猜。

数值分析

  `$ O, d" U% p( C* x$ e5 g

雷达 发表于 2022-9-25 04:47
0 T+ {7 s, ?9 v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 ...

3 O7 r/ K0 E8 `% b  V( L能不能把这个也贴上来，看看和上一个有什么不同？

雷达

; K5 J4 W. F) T  \

数值分析 发表于 2022-9-25 14:58
/ X$ v3 ~- g! ^. W( }* [1 T# W8 e& R能不能把这个也贴上来，看看和上一个有什么不同？

9 v* ]' R5 T5 u6 _& u6 b理了理思路，重新做了一个测试。
5 c) N. b, J9 A/ u; f6 X/ e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.
/ R1 @2 W) A/ [' c* [' A$ H- m7 F8 O( L+ |
" r0 v5 Y7 U; n( {* {* G* r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
3. float * 循环点乘累加 204s
4. 空循环 100000 次 202s

不做内循环 200s

, _- I0 B9 I& p# h5 B$ D" J7 B你昨天说的对，内循环本身占比是很小的，大头在其他处理。
- J0 {* l) \( |/ j( }8 a: W: E另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。
8 |3 K% P* I$ X6 N# T
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）
* {& t- `9 I' Q1 A: U* K( \1 _
* [/ |, b$ |& V# B% C

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

% r" i1 C0 E1 M( k' \        for (int j = 0; j < 6000; j++)
        {
8 i  x) V  B% I" F9 R/ ~                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
5 s9 ~7 U  `( D9 |, Z/ s( n
! b8 ~  j* W8 @# H                std::generate(vec2.begin(), vec2.end(), []() {
9 ~2 I. L, r/ i; i3 ~                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

7 |2 I, r; ^8 S  A% U. i4 v; P                for (size_t jj = 0; jj < vec1.size(); jj++)
                {
, |) f$ J# S, D" T- D" ]                        b1[jj] = vec1[jj];
                }
' C- }( k" M4 G
                for (size_t jj = 0; jj < vec2.size(); jj++)
1 Y) i' k, Q5 T8 W  X% _+ C                {
                        b2[jj] = vec2[jj];
                }

                //Method - 1  N=100000 247s  
, _% E9 b$ ?4 \7 J                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
. l; i1 _' n$ v  b3 E( C                                
9 a7 u: u( _# O$ M5 R& ~. Q& w! P                //Method - 2  N=100000  237s
                /*
. l3 r2 k1 R: j                for (int jj = 0; jj < N ; jj++)
                {
8 j1 I, _- i2 r                        fresult += vec1[jj] * vec2[jj];
8 _! J; P" Z2 y                }
                */
                                
( W" }; c8 Z& g2 O3 i, d                //Method - 3  N=100000 204s
3 T+ s: n( \4 f+ q3 P                /*
                for (int jj = 0; jj < N; jj++)
                {
7 ^( U) N7 D. G                        fresult += b1[jj] * b2[jj];
5 T1 {+ G; v+ ?5 B                }
8 }+ K) X7 w' j/ W  K8 H" u                */

, Z8 R9 B" P! q# V( S9 O- H                //Method - 4   202s
                /*
! k& k: o) B! I6 g4 U: G  Q                for (int jj = 0; jj < N; jj++)
                {
; g! O1 I  A: M" ~* o5 M1 A+ F: E                        
                }
                */
- v  d  f) U* _) P                //comment out all methods, N=100000  202s               
        }
- s: x8 H9 C8 S* J5 n
        delete []b1;
        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？

! Q+ L( h. j) X5 Y7 a; E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？
% m: m- p) |" C6 X

雷达

机器猫 发表于 2022-9-27 00:15
% J' U0 B; e. }) ^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
: M8 _  n, |$ m% d
4 Q# p, n* o! i8 P; Q& y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
! K) I. F+ [: Q" R  t8 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 ...

) Z0 t  Y/ d4 {$ R- B! [4 Q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
6 N( |) A4 z: H4 U4 O1 xvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
1 ]. a$ W3 [3 _. W, b/ f8 Z5 P{
  C' Q& y- c2 y1 ~        comp temp, xtimesy;

) O" t1 k- Z  O) W  o! N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。