Optimize（优化实验）

十大优化法则

1.更快（本课程重点！）

2.更省（存储空间、运行空间）

3.更美（UI 交互）

4.更正确（本课程重点！各种条件下）

5.更可靠

6.可移植

7.更强大（功能）

8.更方便（使用）

9.更范（格式符合编程规范、接口规范 ）

10.更易懂（能读明白、有注释、模块化）

优化概述

十五种优化思路的名称，原理，实现方案

1. 面向存储器的优化：cache无处不在

   1. 消除循环的低效率

      比如二维数组遍历运算中，按列枚举改为按行枚举，这是因为二维数组在内存的存储顺序是按行顺序存储的。

   2. 重新排列提高空间局部性：尽量优先使用连续空间内的值，因为cache line 载入值时会将其附近的值一同载入分块，提高每个cache块的利用率，将反复多次调用的值先运算完再更新cache line，减少cache miss的次数，提高cache利用率。

   3. 时间局部性：如果一个存储器位置被引用了一次，那么程序很可能在不远的将来重复引用它。

   4. 空间局部性：如果一个存储器位置被引用了一次，那么程序很可能在不远的将来引用附近的一个存储器位置。

2. 减少过程调用

   1. 过程调用会带来开销，而且妨碍大多数形式的的程序优化。

   2. 程序行为中严重依赖执行环境的方面，程序员要编写容易优化的代码，以帮助编译器。

   3. 比如在字符串遍历中，每次获取字符串长度：

      for(int i = 0; i < strlen(str); i ++ ) str[i] = i;
      

   4. 将体量小的函数使用inline内联优化，比如min函数，max函数。

3. 消除不必要的内存引用

   1. 原因：存在内存别名的情况。编译器保守的方法是不断的读和写内存，即使这样效率不高。
   2. 引入局部变量，用局部变量计算后，再写入内存。

4. 循环展开

   1. 理解现代处理器：流水线。
   2. 指令集并行：硬件可以并行执行多个指令。
   3. 超标量处理器：一个周期执行多条指令， 这些指令是从一个连续的指令流获取的，通常被动态调度的。
   4. 循环展开是一种程序变换，通过增加每次迭代计算的元素的数量，减少循环的迭代次数。

5. 提高并行性

   1. 硬件具有更高速率执行乘法和加法的潜力，但是代码不能利用这种能力。所以在一些计算中，我们可以将结果值拆为几个累计变量，提高并行性。或者，重新组合变换，减少结果值的更新次数。

   2. 多个累计变量

      在计算\(P_n=\prod_{i=0}^{n - 1}a_i\)时，可以写为\(P_n = PE_n * PO_n\)

      \(PO_n=\prod_{i=0}^{n/2 - 1}a_{2i + 1}\) \(PE_n=\prod_{i=0}^{n/2 - 1}a_{2i}\)

      /* 2 x 2 loop unrolling */
      void combine6(vec_ptr v, data_t *dest)
      {
      	long i;
      	long length = vec_length(v);
      	long limit = length-1;
      	data_t *data = get_vec_start(v);
      	data_t acc0 = IDENT;
      	data_t acc1 = IDENT;
      
      	/* Combine 2 elements at a time */
      	for(i = 0; i < limit; i+=2){
      		acc0 = acc0 OP data[i];
      		acc1 = acc1 OP data[i+1];
      	}
      
      	/* Finish any remaining elements */
      	for(; i < limit ; i++){
      		acc0 = acc0 OP data[i];
      	}
      	*dest = acc0 OP acc1;
      }
      

   3. 重新结合变换

      /*2 * 1a loop unrolling*/
      /*运用2×1a循环展开，重新结合合并操作。这种方法增加了可以并行执行的操作数量*/
      void combine7(vec_ptr v, data_t *dest)
      {
      	long i;
          long length = vec_length(v);
          long limit = length-1;
          data_t *data = get_vec_start(v);
          data_t acc = IDENT;
      
          /* Combine 2 elements at a time */
          for (i = 0; i < limit; i+=2) {
      		acc = acc OP (data[i] OP data[i+1]);
          }
          /* Finish any remaining elements */
          for (; i < length; i++) {
              acc = acc OP data[i];
          }
          *dest = acc;
      }
      

6. COMVxx指令

   1. 原理：代替test/cmp+jxx，减少条件的判断，直接实现功能

   2. 实现方案：利用指令CMOVxx代替test/cmp + jxx

7. 使用编译器的优化模式，-O:0 1 2 3

   1. 面向编译器的优化。

   2. 期望编译器能提高速度或者能够节省内存，对程序进行有偏向性的编译。

8. 多线程优化

   1. 面向CPU的优化，利用CPU多核的性质，将任务分为多个线程

   2. 多线程与多进程的区别：

      1. 线程是进程的子集，一个进程可能由多个线程组成

      2. 多进程的数据是分开的，共享复杂。比如你可以一边听歌，一边玩游戏，实际上CPU在不断切换地工作，只是太快感觉不出来。

      3. 多线程共享进程数据，共享简单。

9. 嵌入式汇编

   1. 原理：通过汇编语言更接近底层，通过对底层直接操作，防止编译器编译出一些冗繁的操作，省去一些不必要的判断
   2. 实现方案：利用嵌入汇编的方法，人为的对底层进行优化

10. 减少除法等一些计算量大的运算的使用

    1. 用移位代替乘除法。

    2. 能用乘法就不用除法：

       //test1
       while(a > b / c)// 1.1
       while(a * c > b)// 1.2
       //test2 取模运算
       a = a % b		//2.1
       while(a >= b)	//2.2
       {
       	a -= b;
       }
       

11. GPU编程

    1. 原理：利用GPU多核的特点，拥有更强的算力，可以更快的完成任务
    2. 实现方案：利用GPU运行程序

12. 多进程优化

    1. 使用Linux C语言fork函数

    2. 一个进程，包括代码、数据和分配给进程的资源。fork ( )函数通过系统调用创建一个与原来进程几乎完全相同的进程，也就是两个进程可以做完全相同的事，但如果初始参数或者传入的变量不同，两个进程也可以做不同的事。

       一个进程调用 fork( )函数后，系统先给新的进程分配资源，例如存储数据和代码的空间。然后把原来的进程的所有值都复制到新的新进程中，只有少数值与原来的进程的值不同。相当于克隆了一个自己。

    3. fork函数参考链接：fork函数

优化实验

实验任务

​ 一个图像处理程序实现图像的平滑，其图像分辨率为1920*1080，每一点颜色值为64b，用long img [1920] [1080]存储屏幕上的所有点颜色值,颜色值可从0依行列递增，或真实图像。

平滑算法为：任一点的颜色值为其上下左右4个点颜色的平均值，即：

​ img[i] [j] = (img [i-1] [j] +img[i+1] [j]+img[i] [j-1] +img[i] [j+1] ) / 4。

请面向你的CPU与cache，利用本课程学过的优化技术，编写程序，并说明你所采用的优化方法。

前言

关于本次的平滑算法： 不考虑四周，不考虑前后变量改变带来的正确性问题，只作为优化的任务。

但如果考虑其正确性，用一个 dst [1920]] [1080] 存储平滑后的图像值也是可以的。

测量性能

使用C语言 time.h 库， 获取运行前后时间钟，算出运行时间。

void Test(void (*function)())
{
	clock_t t1 = clock();
	int t = 100;
	while(t--)
	{
		function();
	}
	clock_t t2 = clock();
	printf("COST %ldms\n",(t2 - t1) * 1000 / CLOCKS_PER_SEC);
}

原始版本

先要写为可优化的版本，所以先枚举列再枚举行。

int i, j;
for(j = 1; j < WIDTH - 1; j ++ )
{
	for(i = 1; i < HEIGHT - 1; i ++ )
	{
		img[i][j] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
	}
}

面向cache优化

改为先枚举行，再枚举列。

int i, j;
for(i = 1; i < HEIGHT - 1; i ++ )
{
	for(j = 1; j < WIDTH - 1; j ++ )
	{
		img[i][j] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
	}
}

循环展开

减少迭代次数。但是实验结果是性能并没有优化（相比较上一个）。

原因应该是：前后变量有运算依赖关系。

int block = 4;
int i, j;

for(i = 1; i < HEIGHT - 1; i ++ )
{
	for(j = 1; j < WIDTH - 4; j += block)
	{
		img[i][j] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
		img[i][j + 1] = (img[i - 1][j + 1] + img[i + 1][j + 1] + img[i][j + 1 + 1] + img[i][j - 1 + 1]) / 4;
		img[i][j + 2] = (img[i - 1][j + 2] + img[i + 1][j + 2] + img[i][j + 1 + 2] + img[i][j - 1 + 2]) / 4;
		img[i][j + 3] = (img[i - 1][j + 3] + img[i + 1][j + 3] + img[i][j + 1 + 3] + img[i][j - 1 + 3]) / 4;
	}
	for(;j < WIDTH - 1; j ++ )
	{
		img[i][j] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
	}
}

并发优化

既然前后变量有运算依赖关系，那我们就不让有依赖关系，并保持循环展开的形式。

但实验结果是：没有优化多少，这个原因仍没搞懂，或许需要查看汇编代码。

int i, j;
//为什么是14：14|1918
for(i = 1; i < HEIGHT - 1; i ++ )
{
	for(j = 1; j < WIDTH - 1; j += 14)
	{
		img[i][j + 0] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
		img[i][j + 2] = (img[i - 1][j + 2] + img[i + 1][j + 2] + img[i][j + 1 + 2] + img[i][j - 1 + 2]) / 4;
		img[i][j + 4] = (img[i - 1][j + 4] + img[i + 1][j + 4] + img[i][j + 1 + 4] + img[i][j - 1 + 4]) / 4;
		img[i][j + 6] = (img[i - 1][j + 6] + img[i + 1][j + 6] + img[i][j + 1 + 6] + img[i][j - 1 + 6]) / 4;
		img[i][j + 8] = (img[i - 1][j + 8] + img[i + 1][j + 8] + img[i][j + 1 + 8] + img[i][j - 1 + 8]) / 4;
		img[i][j + 10] = (img[i - 1][j + 10] + img[i + 1][j + 10] + img[i][j + 1 + 10] + img[i][j - 1 + 10]) / 4;
		img[i][j + 12] = (img[i - 1][j + 12] + img[i + 1][j + 12] + img[i][j + 1 + 12] + img[i][j - 1 + 12]) / 4;
	}
	for(j = 2; j < WIDTH - 1; j += 14)
	{
		img[i][j + 0] = (img[i - 1][j] + img[i + 1][j] + img[i][j + 1] + img[i][j - 1]) / 4;
		img[i][j + 2] = (img[i - 1][j + 2] + img[i + 1][j + 2] + img[i][j + 1 + 2] + img[i][j - 1 + 2]) / 4;
		img[i][j + 4] = (img[i - 1][j + 4] + img[i + 1][j + 4] + img[i][j + 1 + 4] + img[i][j - 1 + 4]) / 4;
		img[i][j + 6] = (img[i - 1][j + 6] + img[i + 1][j + 6] + img[i][j + 1 + 6] + img[i][j - 1 + 6]) / 4;
		img[i][j + 8] = (img[i - 1][j + 8] + img[i + 1][j + 8] + img[i][j + 1 + 8] + img[i][j - 1 + 8]) / 4;
		img[i][j + 10] = (img[i - 1][j + 10] + img[i + 1][j + 10] + img[i][j + 1 + 10] + img[i][j - 1 + 10]) / 4;
		img[i][j + 12] = (img[i - 1][j + 12] + img[i + 1][j + 12] + img[i][j + 1 + 12] + img[i][j - 1 + 12]) / 4;
	}
}

分块优化

分块，使每次运算的数据恰好填满cache line，从而减少cache miss。

register int i, j;
register int i_, j_;
register int i__, j__;
int block = 8;// 8 * 8 = 64 = cache line
for(i = 1; i < HEIGHT - 1; i += block)
{
	for(j = 1; j < WIDTH - 1; j += block)
	{
		i__ = minn(HEIGHT - 1, i + block);
		j__ = minn(WIDTH - 1, j + block);

		for(i_ = i; i_ < i__; i_ ++)
		{
			for(j_ = j; j_ < j__; j_ ++)
			{
				img[i_][j_] = (img[i_][j_ - 1] + img[i_][j_ + 1] + img[i_ - 1][j_] + img[i_ + 1][j_]) / 4;
			}
		}
	}
}

多线程优化

利用CPU多核的特点，将任务分为多个子任务。

这里使用C语言pthread库。优化效果显著！

点击查看代码

#include <stdio.h>
#include <stdlib.h>
#include <pthread.h>
#include <time.h>

#define PTHREAD_NUM 6//线程总数
#define RECNUM 100 

typedef struct
{
    int l;
    int r;
}PTH_ARGV;//线程参数结构体

typedef struct
{
    int a;
}PTH_RETURN;//线程返回值结构体

#define HEIGHT 1080
#define WIDTH 1920

long img[HEIGHT][WIDTH];
int maxn(int x, int y)
{
	if(x >= y)
	{
		return x;
	}else
	{
		return y;
	}
}
int minn(int x, int y)
{
	if(x >= y)
	{
		return y;
	}else
	{
		return x;
	}
}

void *func(void *argv)//线程函数体
{
    PTH_ARGV *pth_argv;
    PTH_RETURN *pth_return = malloc(sizeof(PTH_RETURN));//为返回值申请空间
    pth_argv = (PTH_ARGV*)argv;//将参数强转为参数结构体

    {//线程要做的事情
        register int i, j;
		register int i_, j_;
		register int i__, j__;
		int block = 8;// 8 * 8 = 64 = cache line
		for(i = pth_argv->l; i < pth_argv->r; i += block)
		{
			for(j = 1; j < WIDTH - 1; j += block)
			{
				i__ = minn(pth_argv->r, i + block);
				j__ = minn(WIDTH - 1, j + block);

				for(i_ = i; i_ < i__; i_ ++)
				{
					for(j_ = j; j_ < j__; j_ ++)
					{
						img[i_][j_] = (img[i_][j_ - 1] + img[i_][j_ + 1] + img[i_ - 1][j_] + img[i_ + 1][j_]) / 4;
					}
				}
			}
		}

    }

    free(argv);//释放线程参数空间
    /*
    void pthread_exit(void *retval);
    描述：线程终止；类似于exit，exit是进程终止，两者差距在于结束的对象不同。
    参数：
    retval -- 要带回的值,可以为NULL，如果为NULL，则不需要线程返回值结构体，母线程也不会收到子线程的返回值
    */
    pthread_exit(pth_return);//线程结束，返回母线程需要的返回值，
}

int main()
{
    pthread_t pd[PTHREAD_NUM];//pid
    PTH_ARGV *pth_argv;//线程参数
    //PTH_RETURN *pth_return;//线程返回值

    int cnt = RECNUM;
    clock_t t1, t2;
	t1 = clock();
    while(cnt --)
    {
    	int i;

    	for(i = 0;i < PTHREAD_NUM;i ++)
    	{
     	   //为线程参数申请空间（注：为什么要申请空间？因为不申请空间，所有线程公用同意参数空间，很可能发生线程间的抢占效果），此函数需要由子线程释放掉

	   		pth_argv = malloc(sizeof(PTH_ARGV));
      	  	{//对线程参数结构体进行初始化
            	pth_argv->l = maxn(1, i * HEIGHT / PTHREAD_NUM);
            	pth_argv->r = minn(HEIGHT - 1, (i + 1) * HEIGHT / PTHREAD_NUM);
        	}
        	/*
        int pthread_create(pthread_t *thread, const pthread_attr_t *attr, void *(*start_routine) (void *), void *arg);

        描述：创建一个线程。
        返回值：成功返回0，失败返回一个错误编号。
        参数：
        thread -- 回填创建的线程的PID。
        attr -- 特殊要求。默认为NULL.
        start_routine --  被创建的线程所执行的函数。
                void *(*start_routine) (void *)
        arg -- start_routine函数的传参。
        */
        	pthread_create(pd + i,NULL,func,pth_argv);//创建线程
    	}

    	for(i = 0;i<PTHREAD_NUM;i++)
    	{

			/*
			int pthread_join(pthread_t thread, void **retval);
			描述：给线程号为thread的线程收尸(线程结束后会变成僵尸线程（不占用空间，但占用线程号），父线程需要等待子线程结束，然后释放掉线程的线程号），
			一般是谁创建谁收尸（不是铁律，线程之间平等），可以起到阻塞非盲等的状态。
			返回值：成功时返回 0；出错时，它返回一个错误编号。
			参数：
			thread -- 线程ID
			retval -- 回填PID为thread的线程的的返回值，可以为NULL，为NULL时，父线程将不在接收到子线程回传的返回值。
			*/
			//pthread_join(pd[i],(void **)&pth_return);//等待线程结束
			pthread_join(pd[i],NULL);//等待线程结束
			//free(pth_return);//释放掉线程返回值结构体
    	}
	}

    t2 = clock();

    printf("COST %ldms\n",(t2 - t1) * 1000 / CLOCKS_PER_SEC);
    return 0;
}

多进程优化

也是没有明显的优化效果。

void Func6()
{
	register int i, j;
	register int i_, j_;
	register int i__, j__;
	int block = 8;
 	int id = fork();

	if(id == 0)
	{
		for(i = 1; i < HEIGHT / 2; i += block)
		{
			for(j = 1; j < WIDTH - 1; j += block)
			{

				i__ = minn(HEIGHT / 2, i + block);
				j__ = minn(WIDTH - 1, j + block);
				for(i_ = i; i_ < i__; i_ ++)
				{
					for(j_ = j; j_ < j__; j_ ++)
					{
						img[i_][j_] = (img[i_][j_ - 1] + img[i_][j_ + 1] + img[i_ - 1][j_] + img[i_ + 1][j_]) / 4;
					}
				}
			}
		}
		exit(0);
	}
	else
	{
		for(i = HEIGHT / 2; i < HEIGHT - 1; i += block)
		{
			for(j = 1; j < WIDTH - 1; j += block)
			{
				i__ = minn(HEIGHT - 1, i + block);
				j__	= minn(WIDTH - 1, j + block);
				for(i_ = i; i_ < i__; i_ ++)
				{
					for(j_ = j; j_ < j__; j_ ++)
					{
						img[i_][j_] = (img[i_][j_ - 1] + img[i_][j_ + 1] + img[i_ - 1][j_] + img[i_ + 1][j_]) / 4;
					}
				}
			}
		}
	}
}

后记

1. 当把除法改为移位：无明显优化。
2. 内联函数：无明显优化。
3. 多线程优化在96核的泰山服务器上运行反而性能拖慢了很多，查阅资料得知，这应该是Windows和Linux系统对线程不同的管理造成的，Linux和windows下多线程的区别，Linux下多线程反而造成Cache互相扰乱，从而极大拖慢了程序。
4. 关于并发优化未实现优化仍未搞明白。