C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？

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。
, i, \2 f# u3 Z* E  m% K
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 z1 [( x/ p, I2 @% {把代码贴上来看看？
7 E* ]6 P4 l/ e8 I
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
( H& }3 c2 x9 z% Z; B, o拉下来？拉多少？
把代码贴上来看看？

3 w, M: y- z4 q0 y9 s
1 s2 S' S) R6 tvoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
        comp temp, xtimesy;
        xtimesy.re = 0;
        xtimesy.im = 0;
; H* s% s7 T' h, h. |        int j0 = lenB - 1;
/ A0 F/ Z( h! d8 P2 E# T        int    i, j, i1, reali;
        if (lenA % 2 == 1)
                reali = lenA + 1;
        else
# q9 [. v" F# C1 k2 {& N0 {                reali = lenA;
        reali /= 2;

7 t7 N4 x$ M) {1 z  `$ u! d        int nconv = reali + lenB;
( h9 j! j3 d- X        //#pragma omp parallel for
! _  r8 G5 t  x# F        for (i = reali; i < nconv; i++)
        {
( w+ y! ^" n; l, p/ H0 j, E/ a! ]9 t                temp.re = 0;
8 H" t" z& i' j3 m) G) I" K4 R6 x                temp.im = 0;
7 G# A5 C$ o; Q* h* B$ ?                i1 = i;
                for (j = j0; j >= 0; j--)
                {
  {9 I, {" z6 P, Y0 R! R                        /* floating date operation */
# \$ @& ?5 ?  z# d0 O$ h7 h                }
        }
}

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
$ W+ Z; S# R4 r2 D5 j
# D, T9 B, j# u3 D红色部分是内循环，现在其内部操作都comment out 了, j0大概是 6000。
( U& x+ Z, Q8 X- M) d' ?* v. J, s现在call xcorr 100次，耗时78s.
  B$ T7 c# n6 X' [; H8 Z# @5 @% W
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

4 e( s# K" U  b. [% S

雷达

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

3 N* s0 K# ]9 k+ t不应该，看我上面的回复。
; |, H) P' H6 n' d9 t
我更怀疑是 VS 社区版的问题

数值分析

1 C6 R0 I9 B% s- B* b; c5 T

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;

这个不是这么比的吧。。。

; [' ]! q  V" y/ [6 ?$ ^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

6 p) c8 H* _1 G' d( {" \; l

数值分析 发表于 2022-9-25 00:20
% \& F0 l# t- L7 ]5 a" Y8 x& {这个不是这么比的吧。。。

) _9 a- O" r! J& l+ W4 b; 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）。

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。
) f4 i0 s* Z) N7 L
3 B+ M& @1 G5 \  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
! g# ^" X3 o( }5 g" P+ k5 J有道理。
) v; z$ N7 o' v2 V, ?1 r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 ...

% h) o" \6 i! @# c4 X. n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。。。
# u0 W0 v1 N3 T; e& X- p4 D7 s
4 f& h; E0 w" J- n4 g) Y$ K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

/ W" p4 X& t2 n3 U  `
7 }* c% k5 U+ [, U" ?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
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。
+ f( r* w; X' W
( q+ D# C$ W+ f8 G1 d' Q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。
$ y/ n: o1 w7 B7 W8 Y+ S6 }3 h
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。
2 L6 Z# A$ ]) ?5 c5 n
) w) x3 U) B) f3 d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。
, I" w4 S% R  y+ v/ J$ g
( s3 d# c) _# h  ?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 ...

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
- K6 Z4 T' P! K/ ~2 d5 L5 |) g3 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 ...

时间差一倍的结果可以接受。
0 ?6 e+ G+ }% t  J8 O" w
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
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 ...

+ {7 l. k6 i- Z; b能不能把这个也贴上来，看看和上一个有什么不同？

雷达

* }: O9 S% T$ q% Q2 W$ w

数值分析 发表于 2022-9-25 14:58
# q. E9 L& k4 W5 O4 y能不能把这个也贴上来，看看和上一个有什么不同？

1 }5 _+ F3 ?% a! s( H理了理思路，重新做了一个测试。
5 {- w4 R: y9 s4 K3 j5 r  M. ]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.
. Z3 P4 x. P% W9 `9 g6 r# Y
内循环试了4种方法，
1. 直接调用 vector inner_product 247s
8 o" p/ |$ ~2 e) ?9 w5 p2. vector 循环点乘累加 237s
3. float * 循环点乘累加 204s
; T2 g% T4 ~  r* J  N3 ]# ]4. 空循环 100000 次 202s
  F+ R; c' V" U3 y5 A+ u
9 Z" ?' E" X5 ?: T: R不做内循环 200s

; P) J" u* w8 _& A& ~. Q你昨天说的对，内循环本身占比是很小的，大头在其他处理。
' F! q; O% c) H) z# Z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）
$ y2 p3 y% f/ I! h0 W
（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);
8 |3 L) Z9 v4 _, M        std::vector < float > vec2(N);
/ i; s! i" {/ b$ ]8 _7 @        float* b1 = new float[N];
        float* b2 = new float[N];

' \/ O- W* s/ ?: o; w" I        for (int j = 0; j < 6000; j++)
0 R! M; n1 D7 C- R! j3 x        {
                std::generate(vec1.begin(), vec1.end(), []() {
; L0 |% t. x; I                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
                        });
; Q& C' h+ y& q" g/ r  U# ?( L
                std::generate(vec2.begin(), vec2.end(), []() {
: `0 K3 k+ B  N$ X- _8 t& @+ z# U; M                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
6 ~# U& v1 c6 ]3 S7 X7 V! |                        });

! a9 D% W3 z2 q$ \1 V% O5 e                for (size_t jj = 0; jj < vec1.size(); jj++)
  y: |) ]  x9 G& j' b1 [5 v; e                {
; b$ H) e/ D0 a+ z3 z& E                        b1[jj] = vec1[jj];
                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
                {
7 t/ F+ s( s- K( I8 x                        b2[jj] = vec2[jj];
                }

                //Method - 1  N=100000 247s  
                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
; f/ H" Y4 N+ x7 l+ x  l                                
                //Method - 2  N=100000  237s
! M( E* m$ V! N; ^                /*
+ O( l7 F% b/ V7 Z5 C  S8 w                for (int jj = 0; jj < N ; jj++)
                {
+ ?4 A+ ~: b$ t$ c1 F& `) E4 o( P                        fresult += vec1[jj] * vec2[jj];
/ h6 S! y4 {7 z. Q" b1 k  s0 h/ f                }
+ V! k* U9 c8 a- l, T8 q% B                */
                                
6 n8 ~0 c4 ^$ G. C! a# {                //Method - 3  N=100000 204s
3 \  b# O' A4 I# P  q( O0 q+ }                /*
                for (int jj = 0; jj < N; jj++)
                {
' d  _# L! a" U* T" q                        fresult += b1[jj] * b2[jj];
" T  H& [7 |, z0 r; [# T                }
                */
2 p4 L5 A% V: A& j. @
                //Method - 4   202s
0 f( r% N3 {3 h: l                /*
5 p( `( a7 p6 m: {- r                for (int jj = 0; jj < N; jj++)
                {
8 e0 i) l  s' Q/ f/ ~- K: N                        
4 L  o- U* X! N, j6 w/ u2 o                }
                */
: |: u' k3 t3 V$ |2 i6 G. g                //comment out all methods, N=100000  202s               
        }

        delete []b1;
  X5 D, k! R4 j5 T$ H4 l+ H        delete []b2;

( @2 o4 A& g0 f4 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？

' {$ a$ A" b4 I# ?$ a" u7 m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
7 R, j! v6 H& 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 ...

& ]6 b+ @* w; d  U) H) g3 B1 k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
8 I0 L& G6 B$ y# q2 J/ e- p! o
* y: O# ?# ]& ^% e, O  ]$ l: j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
' B1 c( t# ]5 Q! i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 ...

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)
{
+ V) ~' x# l0 ]$ O9 o& d$ 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。
* q' z+ P/ h9 \  u) |; Z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。