3

我有这个模板类：

template<size_t D>
struct A{
    double v_sse __attribute__ ((vector_size (8*D)));
    A(double val){
        //what here?
    }
};

v_sse用副本填充字段的最佳方法是val什么？因为我使用向量，所以我可以使用 gcc SSE2 内在函数。

4

1 回答 1

5

如果我们可以编写一次代码，只需稍作调整就可以将其编译为更广泛的向量，即使在自动向量化不起作用的情况下也是如此。

我得到了与@hirschhornsalz 相同的结果：当使用大于硬件支持的向量大小的向量实例化它时，代码量很大，效率低下。例如A<8>，在没有 AVX512 的情况下构建会产生大量 64 位mov和vmovsd指令。它对堆栈上的本地进行一次广播，然后分别读回所有这些值，并将它们写入调用者的 struct-return 缓冲区。

对于 x86，我们可以让 gccdouble根据标准调用约定为接受 arg（在 xmm0 中）并返回向量（在 x/y/zmm0 中）的函数发出最佳广播：

  • 上交所2：unpckpd xmm0, xmm0
  • 上交所3：movddup xmm0, xmm0
  • AVX：vmovddup xmm0, xmm0 / vinsertf128 ymm0, ymm0, xmm0, 1
    （AVX1 仅包括vbroadcastsd ymm, m64表单，如果在调用内存中的数据时内联，它可能会被使用）
  • AVX2：vbroadcastsd ymm0, xmm0
  • AVX512 vbroadcastsd zmm0, xmm0：。（请注意，AVX512 可以即时从 mem 广播：
    VADDPD zmm1 {k1}{z}, zmm2, zmm3/m512/m64bcst{er}
    {k1}{z}意味着它可以使用掩码寄存器作为结果的合并或零掩码。
    m64bcst意味着要广播的 64 位内存地址。
    {er}意味着这条指令可以覆盖 MXCSR 舍入模式.
    IDK 如果 gcc 将使用这种广播寻址模式将广播加载折叠到内存操作数中。

但是，gcc 也理解 shuffles，并且具有__builtin_shuffle任意向量大小。使用全零的编译时常量掩码，shuffle 变成了广播，gcc 使用该作业的最佳指令进行广播。

typedef int64_t v4di __attribute__ ((vector_size (32)));
typedef double  v4df __attribute__ ((vector_size (32)));
v4df vecinit4(double v) {
    v4df v_sse;
    typeof (v_sse) v_low = {v};
    v4di shufmask = {0};
    v_sse = __builtin_shuffle (v_low, shufmask );
    return v_sse;
}

在模板函数中，gcc 4.9.2 似乎有一个问题，即识别出两个向量的宽度和元素数量相同，并且掩码是一个 int 向量。即使没有实例化模板也会出错，所以也许这就是类型有问题的原因。如果我复制类并将其取消模板化为特定的矢量大小，一切都会完美运行。

template<int D> struct A{
    typedef double  dvec __attribute__ ((vector_size (8*D)));
    typedef int64_t ivec __attribute__ ((vector_size (8*D)));
    dvec v_sse;  // typeof(v_sse) is buggy without this typedef, in a template class
    A(double v) {
#ifdef SHUFFLE_BROADCAST  // broken on gcc 4.9.2
    typeof(v_sse)  v_low = {v};
    //int64_t __attribute__ ((vector_size (8*D))) shufmask = {0};
    ivec shufmask = {0, 0};
    v_sse = __builtin_shuffle (v_low, shufmask);  // no idea why this doesn't compile
#else
    typeof (v_sse) zero = {0, 0};
    v_sse = zero + v;  // doesn't optimize away without -ffast-math
#endif
    }
};

/*  doesn't work:
double vec2val  __attribute__ ((vector_size (16))) = {v, v};
double vec4val  __attribute__ ((vector_size (32))) = {v, v, v, v};
v_sse = __builtin_choose_expr (D == 2, vec2val, vec4val);
*/

使用-O0. 向量+模板似乎需要一些工作。（至少，它确实回到了 Ubuntu 目前正在发布的 gcc 4.9.2 中。上游可能已经改进了。）

我的第一个想法是，当您使用带有向量和标量的运算符时，gcc 会隐式广播，因为 shuffle 无法编译，因此我将其作为备用。因此，例如，将标量添加到全零向量就可以了。

问题是实际的 add 不会被优化掉，除非你使用-ffast-math. -funsafe-math-optimizations不幸的是，不仅仅是-fno-signaling-nans. 我尝试了+不会导致 FPU 异常的替代方法，例如^(xor) 和|(or)，但 gcc 不会在doubles 上执行这些操作。,运算符不会为 生成向量结果scalar , vector。

这可以通过使用简单的初始化列表专门化模板来解决。如果你不能让一个好的通用构造函数工作，我建议省略定义，这样在没有专门化时你会得到一个编译错误。

#ifndef NO_BROADCAST_SPECIALIZE
// specialized versions with initializer lists to work efficiently even without -ffast-math
// inline keyword prevents an actual definition from being emitted.
template<> inline A<2>::A (double v) {
    typeof (v_sse) val = {v, v};
    v_sse = val;
}
template<> inline A<4>::A (double v) {
    typeof (v_sse) val = {v, v, v, v};
    v_sse = val;
}
template<> inline A<8>::A (double v) {
    typeof (v_sse) val = {v, v, v, v, v, v, v, v};
    v_sse = val;
}
template<> inline A<16>::A (double v) { // AVX1024 or something may exist someday
    typeof (v_sse) val = {v, v, v, v, v, v, v, v, v, v, v, v, v, v, v, v};
    v_sse = val;
}
#endif

现在，测试结果：

// vecinit4 (from above) included in the asm output too.
// instantiate the templates
A<2> broadcast2(double val) { return A<2>(val); }
A<4> broadcast4(double val) { return A<4>(val); }
A<8> broadcast8(double val) { return A<8>(val); }

编译器输出（去除汇编指令）：

g++ -DNO_BROADCAST_SPECIALIZE  -O3 -Wall -mavx512f -march=native vec-gcc.cc -S -masm=intel -o-

_Z8vecinit4d:
    vbroadcastsd    ymm0, xmm0
    ret
_Z10broadcast2d:
    vmovddup        xmm1, xmm0
    vxorpd  xmm0, xmm0, xmm0
    vaddpd  xmm0, xmm1, xmm0
    ret
_Z10broadcast4d:
    vbroadcastsd    ymm1, xmm0
    vxorpd  xmm0, xmm0, xmm0
    vaddpd  ymm0, ymm1, ymm0
    ret
_Z10broadcast8d:
    vbroadcastsd    zmm0, xmm0
    vpxorq  zmm1, zmm1, zmm1
    vaddpd  zmm0, zmm0, zmm1
    ret


g++ -O3 -Wall -mavx512f -march=native vec-gcc.cc -S -masm=intel -o-
# or   g++ -ffast-math -DNO_BROADCAST_SPECIALIZE blah blah.

_Z8vecinit4d:
    vbroadcastsd    ymm0, xmm0
    ret
_Z10broadcast2d:
    vmovddup        xmm0, xmm0
    ret
_Z10broadcast4d:
    vbroadcastsd    ymm0, xmm0
    ret
_Z10broadcast8d:
    vbroadcastsd    zmm0, xmm0
    ret

请注意，如果您不对其进行模板化，则 shuffle 方法应该可以正常工作，而是在代码中仅使用一种向量大小。因此，从 SSE 更改为 AVX 就像在一个地方将 16 更改为 32 一样简单。但是，您需要多次编译同一个文件以生成一个 SSE 版本和一个 AVX 版本，您可以在运行时将其分派到。（不过，您可能需要它来获得不使用 VEX 指令编码的 128 位 SSE 版本。）

于 2015-08-04T07:52:51.503 回答