TL; DR：データの乗算/キャストがsize_t遅いのはなぜですか？また、これがプラットフォームごとに異なるのはなぜですか？
完全には理解できないパフォーマンスの問題が発生しています。コンテキストは、128x128のuint16_t画像が読み取られ、数100Hzのレートで後処理されるカメラフレームグラバーです。
後処理では、2 ^ 16の要素を持つヒストグラムを生成しframe->histoますuint32_t。thismaxval基本的に、すべての強度値を集計します。このヒストグラムを使用して、合計と2乗合計を計算します。
double sum=0, sumsquared=0;
size_t thismaxval = 1 << 16;
for(size_t i = 0; i < thismaxval; i++) {
sum += (double)i * frame->histo[i];
sumsquared += (double)(i * i) * frame->histo[i];
}
プロファイルを使用してコードをプロファイリングすると、次のようになります（サンプル、パーセンテージ、コード）。
58228 32.1263 : sum += (double)i * frame->histo[i];
116760 64.4204 : sumsquared += (double)(i * i) * frame->histo[i];
または、最初の行がCPU時間の32％を占め、2番目の行が64％を占めます。
私はいくつかのベンチマークを行いましたが、問題があるのはデータ型/キャストのようです。コードをに変更すると
uint_fast64_t isum=0, isumsquared=0;
for(uint_fast32_t i = 0; i < thismaxval; i++) {
isum += i * frame->histo[i];
isumsquared += (i * i) * frame->histo[i];
}
実行速度は約10倍です。ただし、このパフォーマンスへの影響はプラットフォームによっても異なります。ワークステーションでは、Core i7 CPU 950@3.07GHzのコードは10倍高速です。Intel Core i7 Sandy Bridge 2.7 GHz（2620M）を搭載した私のMacbook8,1では、コードはわずか2倍高速です。
今私は疑問に思っています：
- 元のコードが非常に遅く、簡単に高速化されるのはなぜですか？
- なぜこれはプラットフォームごとに大きく異なるのですか？
アップデート：
私は上記のコードをでコンパイルしました
g++ -O3 -Wall cast_test.cc -o cast_test
Update2：
最適化されたコードをプロファイラー（Mac上のInstruments 、 Sharkなど）で実行したところ、次の2つが見つかりました。
1）ループ自体にかなりの時間がかかる場合があります。thismaxvalタイプsize_tです。
for(size_t i = 0; i < thismaxval; i++)総実行時間の17％を占めるfor(uint_fast32_t i = 0; i < thismaxval; i++)3.5％かかりますfor(int i = 0; i < thismaxval; i++)プロファイラーには表示されません。0.1％未満だと思います
2）データ型とキャストは次のように重要です。
sumsquared += (double)(i * i) * histo[i];15％（ありsize_t i）sumsquared += (double)(i * i) * histo[i];36％（ありuint_fast32_t i）isumsquared += (i * i) * histo[i];13％（withuint_fast32_t i、uint_fast64_t isumsquared）isumsquared += (i * i) * histo[i];11％（withint i、uint_fast64_t isumsquared）
驚いたことに、intより速いですuint_fast32_tか？
Update4：
1台のマシンで、さまざまなデータ型とさまざまなコンパイラを使用して、さらにいくつかのテストを実行しました。結果は以下のとおりです。
testd 0-2の場合、関連するコードは次のとおりです。
for(loop_t i = 0; i < thismaxval; i++)
sumsquared += (double)(i * i) * histo[i];
sumsquareddouble、およびloop_t size_t、uint_fast32_tを使用しint、テスト0、1、および2の場合。
テスト3〜5の場合、コードは次のとおりです。
for(loop_t i = 0; i < thismaxval; i++)
isumsquared += (i * i) * histo[i];
isumsquaredタイプと再び、uint_fast64_tそしてテスト3、4、5の場合。loop_tsize_tuint_fast32_tint
私が使用したコンパイラは、gcc 4.2.1、gcc 4.4.7、gcc 4.6.3、およびgcc4.7.0です。タイミングはコードの合計CPU時間のパーセンテージで表されるため、絶対的なパフォーマンスではなく、相対的なパフォーマンスを示します（ただし、実行時間は21秒で非常に一定でした）。プロファイラーが2行のコードを正しく分離したかどうかはよくわからないため、CPU時間は両方の2行です。
gcc：4.2.1 4.4.7 4.6.3 4.7.0 ---------------------------------- テスト0：21.85 25.15 22.05 21.85 テスト1：21.9 25.05 22 22 テスト2：26.35 25.1 21.95 19.2 テスト3：7.15 8.35 18.55 19.95 テスト4：11.1 8.45 7.35 7.1 テスト5：7.1 7.8 6.9 7.05
また：
これに基づくと、使用する整数型に関係なく、キャストにはコストがかかるようです。
また、gcc 4.6および4.7はループ3（size_tおよびuint_fast64_t）を適切に最適化できないようです。