C++ 提速的新发现

雷达

C++ 比 Octave 慢好多，怎么破？
/ E& p4 N0 q) b% i$ c
& I7 H' n+ D( b% t, l9 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。
$ A0 u" r( u$ j# J" y4 ^+ C3 u
* @8 Y, J8 \3 X+ P0 \速度优化问题真的很有意思啊。
' K9 v, g- Z% f0 k) D$ z* s, S
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？
' Z( b2 }  U: m% S: P& q, f  k
" K5 Q# F6 Z8 L# h+ c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

$ H7 |& @& U$ j3 V* z& O

数值分析 发表于 2022-9-24 23:04
拉下来？拉多少？
  a, m" O0 {6 Q把代码贴上来看看？

" p) Z! a! s9 Q& N5 [! X) B
' ^! r/ [2 h4 ovoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
' R- z% p$ E8 r# i2 h# d5 z{
        comp temp, xtimesy;
# _7 d7 B6 O5 W. ~4 J% R1 {        xtimesy.re = 0;
        xtimesy.im = 0;
- m* y& W/ N4 |% t5 D/ M        int j0 = lenB - 1;
4 p  D1 ^; n& |& E        int    i, j, i1, reali;
$ L" U6 h& K6 Q% [. q        if (lenA % 2 == 1)
                reali = lenA + 1;
+ g" N+ q0 J( [5 G" @  j4 W        else
                reali = lenA;
        reali /= 2;

, t! ^$ X" B3 w1 {( ]! ^  l        int nconv = reali + lenB;
        //#pragma omp parallel for
  f6 C- D. i& m% G        for (i = reali; i < nconv; i++)
        {
! c: `2 X8 s  L# z- `" Y                temp.re = 0;
                temp.im = 0;
( i  n+ g% M* J' l0 F, g6 M                i1 = i;
1 A; k1 N/ h. i8 b( M                for (j = j0; j >= 0; j--)
5 w! H* H' Q- S) a* B! `# f                {
                        /* floating date operation */
                }
        }
}
% n5 z+ n- G) {: 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
. n1 j8 f; t8 K0 X
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.
6 s0 }& o) E: h
如果把红色部分内循环本身完全comment out， call xcorr 1000次，耗时 <1s.

" W5 l0 w; j) P" C# i

雷达

风雨无阻 发表于 2022-9-24 23:33
! }( h! J6 H) D% [9 a/ h5 J0 d/ J6 kMaybe Debug mode?

% g# `1 ^' v1 b
3 u! S/ c, ]& n: ~8 m0 v6 j不应该，看我上面的回复。
8 ?( V. v, H( F6 E1 k9 v. X
% j& [4 g6 d( B2 ?3 b+ c5 d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)
{
        comp temp, xtimesy;

6 b0 P7 S+ S1 A- C# s/ v0 I7 r
# b5 t/ M- d0 W- m' j这个不是这么比的吧。。。
" x& \/ G0 w6 ~# b8 t
% Y) ~1 a& y+ s5 Q- L8 a0 }. 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）。
7 F" A) V* v. X$ u
3 y3 \4 q5 W# m3 t( 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

数值分析 发表于 2022-9-25 00:20
; H! d$ r6 D+ |8 h4 v! W这个不是这么比的吧。。。
1 X5 `  B/ t# R7 ?# o5 N" Y
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）。

: _* a0 F! p2 H. c/ S% Q/ v. a# B) u
有道理。
7 M% g* i6 y+ \% m4 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。

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。
5 Z6 k* t; |2 X3 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 ...

# L9 n' o) T. H, E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
$ E5 \9 u! h. @这个不是这么比的吧。。。
( Y3 n5 t& W' K5 X( 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

% ]0 [/ t) \. |6 M
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
4 l4 k% e3 n+ }, F# b3 p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 ...

+ T/ f( o7 n4 |9 d是的，兄台说的对。
, V' K+ `( f  M" w5 l8 N0 j, Z
3 A- O: ]9 f7 d2 R4 V* O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。
8 y+ H9 R3 h' U1 v: y
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。
! y( ~7 E$ e; ?1 ?" g  J
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。
, B6 c7 M4 S2 v
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。

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
+ j+ A4 z, v, U! [1 F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 ...

: ~/ y# \! h/ y" \# y9 i& t
" W" h% D/ ^- M: ~  Q0 a
; q, A4 U/ D3 ~- p4 Q
/ r" l! S- {9 p0 R2 f: l能不能把这个也贴上来，看看和上一个有什么不同？

雷达

数值分析 发表于 2022-9-25 14:58
: H( ^# V4 A9 u9 V' D- ?能不能把这个也贴上来，看看和上一个有什么不同？

理了理思路，重新做了一个测试。
3 f  A" a' n& f; w4 x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
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
9 `9 F2 |7 S! S7 A! b6 {9 `9 ^
1 d  B2 i8 y  R' k. v7 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。
8 g/ A8 d' i3 ~2 y- ?0 G. J4 r+ B3 r另外可以看到， float * 循环点乘累加 并不差，比用vector 还更快。

& a1 d) h7 i4 T2 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）

（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 y8 l  i# P3 {: u6 I( {: a
: h, q7 K9 j, R4 k6 v& L+ t

        std::vector < float > vec1(N);
0 Y8 G6 z: W$ T        std::vector < float > vec2(N);
        float* b1 = new float[N];
2 b9 e/ k  ^) T        float* b2 = new float[N];
6 j( C$ k8 J6 L/ B6 y
  v" ^. ^( F5 q9 S3 }  V        for (int j = 0; j < 6000; j++)
        {
                std::generate(vec1.begin(), vec1.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 23.23));;
$ ~9 M, Q+ I1 ], [9 A                        });

                std::generate(vec2.begin(), vec2.end(), []() {
                        return static_cast <float> (rand()) / (static_cast <float> (RAND_MAX / 24.31));;
                        });

                for (size_t jj = 0; jj < vec1.size(); jj++)
: I4 W+ r8 v( B1 m5 K: A& J                {
& j' I. {9 q$ \' i) n( ]* e                        b1[jj] = vec1[jj];
) L" J; {( R6 F- L                }

                for (size_t jj = 0; jj < vec2.size(); jj++)
' D' Z+ F( \$ f' H8 v* m                {
                        b2[jj] = vec2[jj];
                }
0 W+ P1 ?  U/ T& i3 z+ e
                //Method - 1  N=100000 247s  
6 k4 W9 C3 Z+ L3 L( G                //fresult = inner_product(vec1.begin(), vec1.end(), vec2.begin(), 0);
                                
                //Method - 2  N=100000  237s
& m$ H* [2 I) a9 Z- N9 l                /*
1 u$ I  q/ }; O. i' `3 P( h                for (int jj = 0; jj < N ; jj++)
                {
( r% B' t: N3 k" _7 H0 i: e                        fresult += vec1[jj] * vec2[jj];
  F& I) ]$ U; A5 }/ w$ K4 @                }
: T2 _( [2 a' {# d4 ~1 {' L                */
( u6 `% e+ H8 m                                
                //Method - 3  N=100000 204s
                /*
+ ~9 S+ X1 b+ M# A0 r% g1 c                for (int jj = 0; jj < N; jj++)
2 r  _- r9 Y  _' c                {
+ I3 R# F( E, t$ w                        fresult += b1[jj] * b2[jj];
                }
& ]3 N' ?7 j0 C) H                */

                //Method - 4   202s
7 i; s9 y0 {, G3 n3 z                /*
  S, w! l% v, L- X- x: y                for (int jj = 0; jj < N; jj++)
" m( }0 c) p' t% \* x9 g2 a5 q( E                {
2 L6 y! i( T" M$ t6 _- I                        
                }
: D$ Q. }. M: {9 |2 f# [) D                */
                //comment out all methods, N=100000  202s               
& \9 H& C+ l3 x) k- g! k% o, v. F        }
; b0 j9 W$ [; i$ G( \
$ c) ?, J& R7 K! U! z( ?        delete []b1;
& Q/ x3 G6 d* ^$ n% w5 D& E) [        delete []b2;

. i( W! i0 ^1 i0 T0 M  {6 a

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？

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？
1 X$ {7 z) k7 c9 C4 d

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？

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
% o  g1 j5 n, z* U! V8 G! P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

1 ]3 ~" F: X# Z9 ^# t不和它 ...

0 y4 d! ]2 C0 m- H; L% `" ~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
, [- s4 N' h9 _5 x; Ivoid xcorr(comp* outcomp, comp* A, int lenA, comp* B, int lenB)
{
& m7 R  X8 I; u) d# \  U# }! {        comp temp, xtimesy;

! {& e3 z" `& ]9 u" X9 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。
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？
& M/ q  V7 W$ K! p  g, m/ d4 r/ CVS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。