Optimize（程序优化）
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
-
面向存储器的优化：cache无处不在
-
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。
-
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。
-
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。
-
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。
-
-
减少过程调用
-
过程调用会带来开销，而且妨碍大多数形式的的程序优化。
-
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。
-
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; -
将体量小的函数使用inline内联优化，比如min函数，max函数。
-
-
消除不必要的内存引用
- 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。
- 引入局部变量，用局部变量计算后，再写入内存。
-
循环展开
- 理解现代处理器：流水线。
- 指令集并行：硬件可以并行执行多个指令。
- 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。
- 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。
-
提高并行性
-
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。
-
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; } -
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; }
-
-
COMVxx指令
-
原理：代替test/cmp+jxx，减少条件的判断，直接实现功能
-
实现方案：利用指令CMOVxx代替test/cmp + jxx
-
-
使用编译器的优化模式，-O:0 1 2 3
-
面向编译器的优化。
-
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。
-
-
多线程优化
-
面向CPU的优化，利用CPU多核的性质，将任务分为多个线程
-
多线程与多进程的区别：
-
线程是进程的子集，一个进程可能由多个线程组成
-
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。
-
多线程共享进程数据，共享简单。
-
-
-
嵌入式汇编
- 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
- 实现方案：利用嵌入汇编的方法，人为的对底层进行优化
-
减少除法等一些计算量大的运算的使用
-
用移位代替乘除法。
-
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; }
-
-
GPU编程
- 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
- 实现方案：利用GPU运行程序
-
多进程优化
-
使用Linux C语言fork函数
-
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。
-
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。
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
- 当把除法改为移位：无明显优化。
- 内联函数：无明显优化。
- 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。
- 关于并发优化未实现优化仍未搞明白。
本文来自博客园，作者：江水为竭，转载请注明原文链接：https://www.cnblogs.com/Az1r/p/16825441.html
