簡介
在《C++ Templates: The Complete Guide》一書中(以下簡稱書),提出了模板元編程最早的實際應用之一:在數值運算中進行解循環優化。
而本文的標題是噱頭!本文的真正目的是指出這種優化措施在增加復雜性的同時,並不一定能明顯改善效率。應當謹慎使用該技術——默認不使用該技術,在點積計算確實是效率瓶頸時考慮采用該技術,並認真測試該技術是否真能提高效率。
背景
數值運算庫中常常需要提供向量點積(dot_product)運算。其定義用C++代碼描述也許更清楚~
template<typename T>
我們可以使用這個函數,求2個向量的點積
T dot_product(int dim,const T v1[],const T v2[]) {
T result=0;
for (int i=0;i<dim;++i)
result += v1[i]*v2[i];
return result;
}int v1[] = {1,2,3};
得到r1=32
int v2[] = {4,5,6};
int r1 = dot_product(3,v1,v2);
書中指出:“這個結果是正確的,但是在要求高效率的應用中,它耗費了太多的時間”,對於這類特殊的問題,“簡單的把循環展開”,如:r1=v1[0]*v2[0]+v1[1]*v2[1]+v1[2]*v2[2]
“反而會好得多”。
如何便捷的展開循環?將每個dot_product(dim,...) 手工重寫成展開式?還是設計一整套函數: dot_product_dim_2,dot_product_dim_3,... ?
無疑這是一個冗長乏味易出錯的方案。
書中提出了一種使用模板元編程解決該問題的方案,讓我們來看看他是怎麼做的。
模板元編程——解循環
// 首先是遞歸模板
我們可以使用DotProduct 來進行點積計算了:
template<int DIM,typename T>
struct DotProduct {
static T execute(const T v1[],const T v2[]);
}
template<int DIM,typename T>
T DotProduct<DIM,T>::execute(const T v1[],const T v2[]) {
return v1[0]*v2[0] + DotProduct<DIM-1,T>::execute(v1+1,v2+1);
}
// 遞歸邊界模板
template<typename T>
struct DotProduct<1,T> {
static T execute(const T v1[],const T v2[]);
}
template<typename T>
T DotProduct<1,T>::execute(const T v1[],const T v2[]) {
return v1[0]*v2[0];
}int v1[] = {1,2,3}; int v2[] = {4,5,6};
int r2 = DotProduct<3,int>::execute(v1,v2);
計算r2的函數,在DotProduct<3,int>::execute 被實例化時就確定了。
編譯器將會實例化int DotProduct<3,int>::execute(const int v1[],const int v2[]) {
然後編譯器繼續實例化
return v1[0]*v2[0] + DotProduct<2,int>::execute(v1+1,v2+1);
}int DotProduct<2,int>::execute(const int v1[],const int v2[]) {
這裡,我們有一個 DotProduct<1,T> 的偏特化版本,計算函數將被實例化為
return v1[0]*v2[0] + DotProduct<1,int>::execute(v1+1,v2+1);
}int DotProduct<1,int>::execute(const int v1[],const int v2[]) {
return v1[0]*v2[0];
}
而這3個函數都足夠短小,編譯器通常會為它們做inline工作,使得r2的計算被展開為r2 = v1[0]*v2[0]+v1[1]*v2[1]+v1[2]*v2[2];
DotProduct<3,int>::execute(v1,v2) 的調用語法不是很友好。
書中還設計了一個helper函數。template<int DIM,typename T>
T dot_product(const T v1[],const T v2[]) {
return DotProduct<DIM,T>::execute(v1,v2);
}
如同STL的make_pair、bind2nd,這個模板函數將模板參數T的推導工作交給編譯器,使DotProduct的界面更友好,更不容易出錯。當然,維度DIM必須指定。
現在可以按如下方式使用 :
int r2 = dot_product<3>(v1,v2); // 是不是和 int r1 = dot_product(3,v1,v2); 十分相似?
本文以下部分將從編譯器生成的機器碼層次來驗證這一技術,同時與普通循環點積計算做比較。
測試環境 :Windows Xp sp2,Microsoft Visual Studio 2005 Team Suite,release默認設置
驗證1:
該技術真的能和預想的一樣,實例化多個函數,並將它們inline,達到解循環的效果嗎?
讓我們寫個短小程序驗證一下:
int main() {
int v1[] = {1,2,3};
int v2[] = {4,5,6};
int r1 = dot_product(3,v1,v2); //循環版本
int r2 = dot_product<3>(v1,v2); //解循環版本
cout<<r1<<endl;
cout<<r2<<endl;
return 0;
}
程序輸出當然是2個32,讓我們進入反匯編看看實際工作情況:
令人吃驚的是,前4行代碼根本沒有生成任何機器碼
生成機器碼的語句只有2條輸出語句和return 0;cout<<r1<<endl; // 生成7條指令
這些指令的的含義是什麼呢?
mov eax,dword ptr [__imp_std::endl (402040h)
mov ecx,dword ptr [__imp_std::cout (402044h)]
push eax
push 20h
call dword ptr [__imp_std::basic_ostream<char,std::char_traits<char> >::operator<< (40203Ch)]
mov ecx,eax
call dword ptr [__imp_std::basic_ostream<char,std::char_traits<char> >::operator<< (402038h)]
我們知道 cout<<r1<<endl; 的完整形式是
(cout<<r1)<<endl; 即是 cout.operator<<(r1).operator<<(endl);
cout.opeator<<(...) 返回的是自身引用,所以可以進行鏈式輸出
前4條指令執行後:
堆棧應該是:
std::endl
20h
ECX 保存的是 std::cout
std::cout 的類型是std::basic_ostream<char,std::char_traits<char> >
所以第5條指令正是對cout的成員函數“ opeator<<”進行調用
(this指針 std::cout,已經存入ECX,而且可以猜想這個成員函數正是 operator(int) 重載)
而參數,對的,是call指令前,堆棧棧頂“20h”—— 32的16進制。
第5條指令將執行 cout.operator<<(20h); !
讓我們把 r1被編譯器偷偷替換成20h的事放在一邊,繼續解析後2條指令:
cout.operator<< 使用__thiscall調用約定,函數自己彈出堆棧中參數20h, 返回自身引用,返回值存入EAX。
所以第5條指令執行後:
堆棧應該是:
std::endl;
EAX 保存的是返回值,即是std::cout
第6條指令 mov ecx,eax 將返回值重新放入ECX,設置好this指針。
第7條指令 繼續調用 operator<< 的另一個重載版本。(這時 std::endl 在棧頂)
完成語句 cout.operator<<(endl);
cout<<r2<<endl; 生成了相似的7條指令。
這個原本就短小的程序,被編譯器“篡改”為更短小的程序:
int main() {
cout<<32<<endl;cout<<32<<endl;
return 0;
}
如果改用 printf 輸出:
printf(“%d\n”,r1); printf(“%d\n”,r2);
從反匯編可以更清楚的看出,編譯器實際做出的代碼是:
printf(“%d\n”,0x20); printf(“%d\n”,0x20);
(詳細代碼見 sample1)
比較合理的解釋是,編譯器知道了太多的上下文,做出了足夠的優化,將本來應該運行時得出的結果—— 一個不變的結果 ——放入的可執行文件中,直接輸出。
為了驗證模板元解循環技術,我們要另外想辦法。
驗證2:
我們需要“阻撓”編譯器,讓它不能猜測出運行結果,從而生成真正的計算代碼。
這裡使用了一個比較簡單的方案:
template<class OutIt>
void __stdcall MyGenerate(OutIt first,OutIt last,const char *name) {
cout<<"generating "<<name<<" with clock\n";
generate(first,last,clock);
ostream_iterator<int> oit(cout," ");
copy(first,last,oit);
cout<<endl;
}
用clock 函數返回值填充一個序列,即使編譯器“膽大包天”,也不敢猜測clock返回結果了~
多余的 name 參數和一些輸出語句是因為在release模式下,watch窗口中看不到值。
而__stdcall 是讓 MyGenerate後不生成多余的平衡堆棧代碼。
按照如下方式使用 :
MyGenerate(v1,v1+3,”v1”);
MyGenerate(v2,v2+3,”v2”);
int r1 = dot_product(3,v1,v2);
MyGenerate(v1,v1+3,”v1”);
MyGenerate(v2,v2+3,”v2”);
int r2 = dot_product<3>(v1,v2);
cout<<r1<<endl;
cout<<r2<<endl;
仍然不夠, 編譯器會將r2的計算,推遲到 cout<<r2<<endl;中,使得r2的計算不夠清晰。
所以我們再加入一個函數
void ForceCalcResult(int result) { }
強制編譯器立刻計算點積。
同時,使用函數指針調用,避免編譯器對該函數inline。
程序主干如下 :
int main() {
const int dim = 3;
int v1[dim];
int v2[dim];
void ( *const ForceCalcResult_non_inline)(int) = ForceCalcResult;
MyGenerate(v1,v1+dim,"v1");
MyGenerate(v2,v2+dim,"v2");
int r1 = dot_product(dim,v1,v2);
ForceCalcResult_non_inline(r1);
MyGenerate(v1,v1+dim,"v1");
MyGenerate(v2,v2+dim,"v2");
int r2 = dot_product<dim>(v1,v2);
ForceCalcResult_non_inline(r2);
cout<<r1<<endl;
cout<<r2<<endl;
return 0;
}
這樣,編譯器就屈服了,乖乖的把r1和r2的計算代碼展現出來。
//MyGenerate(v1,v1+dim,"v1");
從這4條指令,我們可以看出v1和v2的地址:
mov eax,offset string "v1" (402134h)
lea edi,[esp+24h]
lea ebx,[esp+18h]
call MyGenerate<int *> (401220h)
//MyGenerate(v2,v2+dim,"v2");
mov eax,offset string "v2" (402138h)
lea edi,[esp+18h]
lea ebx,[esp+0Ch]
call MyGenerate<int *> (401220h)v1[0]:esp+18h, v1[1]:esp+1Ch, v1[2]:esp+20h, v1[dim]:esp+24h
讓我們先看模板解循環版本:
v2[0]:esp+0Ch, v2[1]:esp+10h, v2[2]:esp+14h, v2[dim]:esp+18h//int r2 = dot_product<dim>(v1,v2);
mov edi,dword ptr [esp+10h]
mov edx,dword ptr [esp+14h]
imul edi,dword ptr [esp+1Ch]
imul edx,dword ptr [esp+20h]
// edi = v2[1]*v1[1]
// edx = v2[2]*v1[2]
mov eax,dword ptr [esp+0Ch]
imul eax,dword ptr [esp+18h]
// eax = v2[0]*v1[0]
add edi,edx
add edi,eax
// edi = edi+edx+eax = v2[1]*v1[1]+v2[2]*v1[2]+v2[0]*v1[0]
循環被解開了!利用3個寄存器edi,edx,eax,最終結果應該是保存在edi中。
再看接下來的代碼
//ForceCalcResult_non_inline(r2);
結果確實是存放在edi中的。
push edi
call ForceCalcResult (401000h)
我們接著看普通“循環”版本://int r1 = dot_product(dim,v1,v2);
mov esi,dword ptr [esp+10h]
mov eax,dword ptr [esp+14h]
imul esi,dword ptr [esp+1Ch]
imul eax,dword ptr [esp+20h]
// esi = v2[1]*v1[1]
// eax = v2[2]*v1[2]
mov ecx,dword ptr [esp+0Ch]
imul ecx,dword ptr [esp+18h]
// ecx = v2[0]*v1[0]
add esi,eax
add esi,ecx
// esi = esi+eax+ecx = v2[1]*v1[1] + v2[2]*v1[2] + v2[0]*v1[0]
//ForceCalcResult_non_inline(r1);
push esi
call ForceCalcResult (401000h)
幾乎相同的代碼,使用的是esi,ecx,eax,結果保存在esi中。
循環同樣被解開了!
編譯器在我們的重重算計下,被迫在運行時計算結果,同時將運算方法展現出來;但同時,它依然不屈不饒的向我們展示它的強大優化能力!
(詳細代碼見sample2)
驗證2+:
在驗證2中,編譯器知道了 const int dim = 3; 這一上下文。從而將普通循環版本的點積函數進行展開。
讓我們來看看,dim取更大值時,編譯器會如何。
dim=10:
普通“循環”點積計算被展開,使用esi,eax,ecx,edx,10條mov與imul指令,9條add指令,最終將計算結果存入esi
模板元點擊計算也被展開,使用edi,eax,ecx,edx,10條mov與imul指令,9條add指令,最終將計算結果存入edi
dim=11:
循環點積計算發生了變化,代碼如下:
//MyGenerate(v1,v1+dim,"v1");
00401017 mov eax,offset string "v1" (402134h)
0040101C lea edi,[esp+68h]
00401020 lea ebx,[esp+3Ch]
00401024 call MyGenerate<int *> (401280h)
//MyGenerate(v2,v2+dim,"v2");
00401029 mov eax,offset string "v2" (402138h)
0040102E lea edi,[esp+3Ch]
00401032 lea ebx,[esp+10h]
00401036 call MyGenerate<int *> (401280h)
// v1[0]:esp+3Ch, v2[0]:esp+10h
//int r1 = dot_product(dim,v1,v2);
0040103B xor ebp,ebp
// int result = ebp=0;
0040103D xor eax,eax
// eax=0;
0040103F nop
// align
// i=eax;
// loops:
00401040 mov ecx,dword ptr [esp+eax+10h]
// ecx = *(v2+i);
00401044 imul ecx,dword ptr [esp+eax+3Ch]
// ecx *= *(v1+i);
00401049 add eax,4
// ++i;
0040104C add ebp,ecx
// result+=ecx
0040104E cmp eax,2Ch
// if (i<11)
00401051 jl main+30h (401040h)
// goto loops;
編譯器已經不能“忍受”這樣長度的循環展開,將其老老實實的翻譯成真正的循環。
但是,編譯器仍然對函數做了inline工作。
對於模板元解循環,因為代碼要求11層函數調用,編譯器能做的只有將11層調用inline,得到的是就地展開的計算。
dim=12:
循環點積計算: 編譯器甚至連inline也不做了,進行正式的函數調用。
模板元點擊計算:依然就地展開。
dim=32:
循環點積計算:不展開,調用
模板元點積計算:
比較有趣的是,編譯器也沒有將函數就地展開,而是分成3步。就地計算前9個乘法然後與DotProduct<23,int>的返回值相加。DP<23>也沒有就地計算全部,而是計算前11個,然後與DP<12>的返回值相加。
3步計算當中都沒有循環。
值得注意的是,循環點積計算函數也沒有很老實的按照源代碼的方式進行計算,而是進行了不完全的循環展開,類似於如下代碼:
template< typename T>
T dot_product(int DIM,const T v1[],const T v2[]) {
const int step = complierKnow;
T results[step] = {0};
int i=0;
for (;i+step-1<DIM;i+=step) {
results[0] += v1[i]*v2[i];
results[1] += v1[i+1]*v2[i+1];
...
results[step-1] += v1[i+step-1]*v2[i+step-1];
}
for (;i<DIM;++i)
results[0] += v1[i]*v2[i];
return results[0]+result[1]+...result[step-1];
}
DIM和step似乎沒有什麼固定的規律。
(詳細代碼見sample2,取不同的dim值即可。)
驗證3:
sample2中,編譯器對被計算的向量的上下文依然知情:v1,v2在main函數的棧中。
sample3做了小小的改動:dot_product_loop和dot_product_unloop將無從得知傳遞給它們的向量在何處。(當然,在main函數中,仍然使用函數指針來調用這2個函數,使得編譯器不做inline)
sample3得到的結果和sample2基本相同,只是對向量尋址由esp+v1_offset,esp+v2_offset變為[esp+4],[esp+8]
(詳細代碼見sampl3)
驗證4:
在sample3的基礎上,通過控制台輸入讀取dim,使得編譯對其不知情。
當然,在這種情況下,是無法使用模板元解循環的,因為它要求dim是編譯時常量。
在這種情況下,循環點積計算終於被編譯器翻譯成真正的“循環”了。
總結:
循環版本有更大的靈活性:在dim為編譯時常量時,編譯器會根據其大小,進行完全解循環或部分解循環。同時也支持dim為運行時的值。
模板元版本必須使用編譯時常量作為dim,而且總是完全解開循環。
循環版本與模板元版本最終都會使用相同次數的乘法與運算,區別在於乘法指令和跳轉指令的數目。
模板元版本在dim較大的時候,可能會使用跳轉指令,將部分工作交給更小維度的點積計算。但是乘法指令數目與維數一樣。
循環版本可能會使用更多的跳轉指令,使得乘法指令數目大大減少。
多出的跳轉指令會占用運行時間,但也能減少目標代碼體積。權衡應該使用那一種版本與權衡某個函數是否應該inline十分相似。
書中17章最後部分也提醒讀者,不計後果的解循環並不總是能優化運行時間。
借用大師的觀點來結束本文 —— 優化的第一原則是:不要優化。優化的第二原則(僅適用於專家)是:還是不要優化。再三測試,而後優化。
《C++編程規范》 第8條
本文配套源碼