如果我优化大小而不是速度,为什么GCC会生成15-20%的代码?
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如果我优化大小而不是速度,为什么GCC会生成15-20%的代码?相关的知识,希望对你有一定的参考价值。
我在2009年首先注意到GCC(至少在我的项目和我的机器上)如果我优化尺寸(-Os
)而不是速度(-O2
或-O3
),那么它倾向于产生明显更快的代码,而且我一直想知道为什么。
我设法创建(相当愚蠢)代码,显示这种令人惊讶的行为,并且足够小,无法在此处发布。
const int LOOP_BOUND = 200000000;
__attribute__((noinline))
static int add(const int& x, const int& y) {
return x + y;
}
__attribute__((noinline))
static int work(int xval, int yval) {
int sum(0);
for (int i=0; i<LOOP_BOUND; ++i) {
int x(xval+sum);
int y(yval+sum);
int z = add(x, y);
sum += z;
}
return sum;
}
int main(int , char* argv[]) {
int result = work(*argv[1], *argv[2]);
return result;
}
如果我用-Os
编译它,执行这个程序需要0.38秒,如果用-O2
或-O3
编译它需要0.44秒。这些时间一致且几乎没有噪声(gcc 4.7.2,x86_64 GNU / Linux,Intel Core i5-3320M)。
(更新:我已将所有汇编代码移至GitHub:由于fno-align-*
标志具有相同的效果,因此它们使得帖子变得臃肿并显然对问题增加了很少的价值。)
不幸的是,我对装配的理解是非常有限的,所以我不知道我接下来做了什么是正确的:我抓住-O2
的装配并将其所有差异合并到-Os
的装配中,除了.p2align
线,结果here。这段代码仍然在0.38s运行,唯一的区别是.p2align
的东西。
如果我猜对了,这些是用于堆栈对齐的填充。根据Why does GCC pad functions with NOPs?的说法,它是希望代码运行得更快,但显然这种优化在我的情况下适得其反。
在这种情况下,填充物是否是罪魁祸首?为什么以及如何?
它产生的噪声几乎使得时序微观优化变得不可能。
当我在C或C ++源代码上进行微优化(与堆栈对齐无关)时,如何确保这种偶然的幸运/不幸对齐不会干扰?
更新:
在Pascal Cuoq's answer之后,我对齐了一点点。通过将-O2 -fno-align-functions -fno-align-loops
传递给gcc,所有.p2align
都从程序集中消失,生成的可执行文件在0.38秒内运行。根据gcc documentation:
-Os启用所有-O2优化[但] -Os禁用以下优化标志:
-falign-functions -falign-jumps -falign-loops <br/> -falign-labels -freorder-blocks -freorder-blocks-and-partition <br/> -fprefetch-loop-arrays <br/>
所以,它几乎就像是一个(错误的)对齐问题。
我仍然对-march=native
建议的Marat Dukhan's answer持怀疑态度。我不相信它不只是干扰这个(错误的)对齐问题;它对我的机器完全没有影响。 (尽管如此,我还是赞成了他的答案。)
更新2:
我们可以从图片中取出-Os
。通过编译获得以下时间
- QZXSOP 0.Horse
- QZXSOP 0.Horse
-O2 -fno-omit-frame-pointer
然后在-O2 -fno-align-functions -fno-align-loops
0.37s之后手动移动-S -O2
的组件add()
0.44s
在我看来,work()
与通话网站的距离非常重要。我尝试过-O2
,但add()
和perf
的输出对我来说没什么意义。但是,我只能得到一个一致的结果:
perf stat
:
perf report
对于-O2
:
602,312,864 stalled-cycles-frontend # 0.00% frontend cycles idle
3,318 cache-misses
0.432703993 seconds time elapsed
[...]
81.23% a.out a.out [.] work(int, int)
18.50% a.out a.out [.] add(int const&, int const&) [clone .isra.0]
[...]
¦ __attribute__((noinline))
¦ static int add(const int& x, const int& y) {
¦ return x + y;
100.00 ¦ lea (%rdi,%rsi,1),%eax
¦ }
¦ ? retq
[...]
¦ int z = add(x, y);
1.93 ¦ ? callq add(int const&, int const&) [clone .isra.0]
¦ sum += z;
79.79 ¦ add %eax,%ebx
对于fno-align-*
:
604,072,552 stalled-cycles-frontend # 0.00% frontend cycles idle
9,508 cache-misses
0.375681928 seconds time elapsed
[...]
82.58% a.out a.out [.] work(int, int)
16.83% a.out a.out [.] add(int const&, int const&) [clone .isra.0]
[...]
¦ __attribute__((noinline))
¦ static int add(const int& x, const int& y) {
¦ return x + y;
51.59 ¦ lea (%rdi,%rsi,1),%eax
¦ }
[...]
¦ __attribute__((noinline))
¦ static int work(int xval, int yval) {
¦ int sum(0);
¦ for (int i=0; i<LOOP_BOUND; ++i) {
¦ int x(xval+sum);
8.20 ¦ lea 0x0(%r13,%rbx,1),%edi
¦ int y(yval+sum);
¦ int z = add(x, y);
35.34 ¦ ? callq add(int const&, int const&) [clone .isra.0]
¦ sum += z;
39.48 ¦ add %eax,%ebx
¦ }
在缓慢的情况下,看起来我们正在停止对-fno-omit-frame-pointer
的调用。
我检查了 404,625,639 stalled-cycles-frontend # 0.00% frontend cycles idle
10,514 cache-misses
0.375445137 seconds time elapsed
[...]
75.35% a.out a.out [.] add(int const&, int const&) [clone .isra.0] ¦
24.46% a.out a.out [.] work(int, int)
[...]
¦ __attribute__((noinline))
¦ static int add(const int& x, const int& y) {
18.67 ¦ push %rbp
¦ return x + y;
18.49 ¦ lea (%rdi,%rsi,1),%eax
¦ const int LOOP_BOUND = 200000000;
¦
¦ __attribute__((noinline))
¦ static int add(const int& x, const int& y) {
¦ mov %rsp,%rbp
¦ return x + y;
¦ }
12.71 ¦ pop %rbp
¦ ? retq
[...]
¦ int z = add(x, y);
¦ ? callq add(int const&, int const&) [clone .isra.0]
¦ sum += z;
29.83 ¦ add %eax,%ebx
可以在我的机器上吐出的所有东西;不仅仅是上面给出的统计数据。
对于相同的可执行文件,add()
显示与执行时间的线性相关;我没有注意到任何其他与此相关的内容。 (比较perf -e
的不同可执行文件对我来说没有意义。)
我将缓存未命中列为第一条评论。我检查了stalled-cycles-frontend
可以在我的机器上测量的所有缓存未命中,而不仅仅是上面给出的。高速缓存未命中非常非常嘈杂,并且与执行时间几乎没有相关性。
默认情况下,编译器优化“平均”处理器。由于不同的处理器支持不同的指令序列,stalled-cycles-frontend
启用的编译器优化可能会使普通处理器受益,但会降低特定处理器的性能(同样适用于perf
)。如果你在不同的处理器上尝试相同的例子,你会发现其中一些受益于-O2
,而其他更有利于-Os
优化。
以下是-O2
在几个处理器上的结果(报告的用户时间):
-Os
在某些情况下,您可以通过要求time ./test 0 0
针对您的特定处理器进行优化(使用选项Processor (System-on-Chip) Compiler Time (-O2) Time (-Os) Fastest
AMD Opteron 8350 gcc-4.8.1 0.704s 0.896s -O2
AMD FX-6300 gcc-4.8.1 0.392s 0.340s -Os
AMD E2-1800 gcc-4.7.2 0.740s 0.832s -O2
Intel Xeon E5405 gcc-4.8.1 0.603s 0.804s -O2
Intel Xeon E5-2603 gcc-4.4.7 1.121s 1.122s -
Intel Core i3-3217U gcc-4.6.4 0.709s 0.709s -
Intel Core i3-3217U gcc-4.7.3 0.708s 0.822s -O2
Intel Core i3-3217U gcc-4.8.1 0.708s 0.944s -O2
Intel Core i7-4770K gcc-4.8.1 0.296s 0.288s -Os
Intel Atom 330 gcc-4.8.1 2.003s 2.007s -O2
ARM 1176JZF-S (Broadcom BCM2835) gcc-4.6.3 3.470s 3.480s -O2
ARM Cortex-A8 (TI OMAP DM3730) gcc-4.6.3 2.727s 2.727s -
ARM Cortex-A9 (TI OMAP 4460) gcc-4.6.3 1.648s 1.648s -
ARM Cortex-A9 (Samsung Exynos 4412) gcc-4.6.3 1.250s 1.250s -
ARM Cortex-A15 (Samsung Exynos 5250) gcc-4.7.2 0.700s 0.700s -
Qualcomm Snapdragon APQ8060A gcc-4.8 1.53s 1.52s -Os
或gcc
)来减轻不利优化的影响:
-mtune=native
更新:在基于Ivy Bridge的Core i3上,三个版本的-march=native
(Processor Compiler Time (-O2 -mtune=native) Time (-Os -mtune=native)
AMD FX-6300 gcc-4.8.1 0.340s 0.340s
AMD E2-1800 gcc-4.7.2 0.740s 0.832s
Intel Xeon E5405 gcc-4.8.1 0.603s 0.803s
Intel Core i7-4770K gcc-4.8.1 0.296s 0.288s
,gcc
和4.6.4
)生成具有显着不同性能的二进制文件,但汇编代码只有微妙的变化。到目前为止,我没有解释这个事实。
来自4.7.3
的集会(执行时间为0.709秒):
4.8.1
来自gcc-4.6.4 -Os
的集会(执行时间为0.822秒):
00000000004004d2 <_ZL3addRKiS0_.isra.0>:
4004d2: 8d 04 37 lea eax,[rdi+rsi*1]
4004d5: c3 ret
00000000004004d6 <_ZL4workii>:
4004d6: 41 55 push r13
4004d8: 41 89 fd mov r13d,edi
4004db: 41 54 push r12
4004dd: 41 89 f4 mov r12d,esi
4004e0: 55 push rbp
4004e1: bd 00 c2 eb 0b mov ebp,0xbebc200
4004e6: 53 push rbx
4004e7: 31 db xor ebx,ebx
4004e9: 41 8d 34 1c lea esi,[r12+rbx*1]
4004ed: 41 8d 7c 1d 00 lea edi,[r13+rbx*1+0x0]
4004f2: e8 db ff ff ff call 4004d2 <_ZL3addRKiS0_.isra.0>
4004f7: 01 c3 add ebx,eax
4004f9: ff cd dec ebp
4004fb: 75 ec jne 4004e9 <_ZL4workii+0x13>
4004fd: 89 d8 mov eax,ebx
4004ff: 5b pop rbx
400500: 5d pop rbp
400501: 41 5c pop r12
400503: 41 5d pop r13
400505: c3 ret
来自gcc-4.7.3 -Os
的集会(执行时间为0.994秒):
00000000004004fa <_ZL3addRKiS0_.isra.0>:
4004fa: 8d 04 37 lea eax,[rdi+rsi*1]
4004fd: c3 ret
00000000004004fe <_ZL4workii>:
4004fe: 41 55 push r13
400500: 41 89 f5 mov r13d,esi
400503: 41 54 push r12
400505: 41 89 fc mov r12d,edi
400508: 55 push rbp
400509: bd 00 c2 eb 0b mov ebp,0xbebc200
40050e: 53 push rbx
40050f: 31 db xor ebx,ebx
400511: 41 8d 74 1d 00 lea esi,[r13+rbx*1+0x0]
400516: 41 8d 3c 1c lea edi,[r12+rbx*1]
40051a: e8 db ff ff ff call 4004fa <_ZL3addRKiS0_.isra.0>
40051f: 01 c3 add ebx,eax
400521: ff cd dec ebp
400523: 75 ec jne 400511 <_ZL4workii+0x13>
400525: 89 d8 mov eax,ebx
400527: 5b pop rbx
400528: 5d pop rbp
400529: 41 5c pop r12
40052b: 41 5d pop r13
40052d: c3 ret
我的同事帮助我找到了一个可信的答案。他注意到了256字节边界的重要性。他没有在这里注册,并鼓励我自己发布答案(并取得所有成名)。
简短回答:
在这种情况下,填充物是否是罪魁祸首?为什么以及如何?
这一切都归结为对齐。对齐会对性能产生重大影响,这就是我们首先使用gcc-4.8.1 -Os
标志的原因。
我已提交00000000004004fd <_ZL3addRKiS0_.isra.0>:
4004fd: 8d 04 37 lea eax,[rdi+rsi*1]
400500: c3 ret
0000000000400501 <_ZL4workii>:
400501: 41 55 push r13
400503: 41 89 f5 mov r13d,esi
400506: 41 54 push r12
400508: 41 89 fc mov r12d,edi
40050b: 55 push rbp
40050c: bd 00 c2 eb 0b mov ebp,0xbebc200
400511: 53 push rbx
400512: 31 db xor ebx,ebx
400514: 41 8d 74 1d 00 lea esi,[r13+rbx*1+0x0]
400519: 41 8d 3c 1c lea edi,[r12+rbx*1]
40051d: e8 db ff ff ff call 4004fd <_ZL3addRKiS0_.isra.0>
400522: 01 c3 add ebx,eax
400524: ff cd dec ebp
400526: 75 ec jne 400514 <_ZL4workii+0x13>
400528: 89 d8 mov eax,ebx
40052a: 5b pop rbx
40052b: 5d pop rbp
40052c: 41 5c pop r12
40052e: 41 5d pop r13
400530: c3 ret
。事实证明,默认行为是“我们默认情况下将循环对齐到8字节,但如果我们不需要填充超过10个字节,请尝试将其对齐到16字节。”显然,在这种特殊情况下和我的机器上,这个默认值不是最佳选择。使用-falign-*
的Clang 3.4(trunk)进行了适当的对齐,生成的代码没有显示出这种奇怪的行为。
当然,如果进行了不恰当的对齐,则会使事情变得更糟。不必要/错误的对齐只是无缘无故地占用字节,并可能增加缓存未命中等。
它产生的噪声几乎使得时序微观优化变得不可能。
当我对C或C ++源代码进行微优化(与堆栈对齐无关)时,如何确保这种意外的幸运/不幸对齐不会干扰?
只需告诉gcc做正确的对齐:
a (bogus?) bug report to the gcc developers
答案很长:
如果:
- 一个
-O3
字节边界在中间削减g++ -O2 -falign-functions=16 -falign-loops=16
(XX
是机器依赖的)。 - 如果对
add()
的调用必须跳过XX
字节边界并且目标未对齐。 - 如果
add()
不对齐。 - 如果循环没有对齐。
前2个在XX
的代码和结果上非常明显。在这种情况下,add()
(执行0.994秒):
Marat Dukhan kindly posted
一个256字节的边界在中间切割 以上是关于如果我优化大小而不是速度,为什么GCC会生成15-20%的代码?的主要内容,如果未能解决你的问题,请参考以下文章gcc-4.8.1 -Os
,00000000004004fd <_ZL3addRKiS0_.isra.0>:
4004fd: 8d 04 37 lea eax,[rdi+rsi*