6

我在循环中有一些代码

for(int i = 0; i < n; i++)
{
  u[i] = c * u[i] + s * b[i];
}

因此，u 和 b 是相同长度的向量，而 c 和 s 是标量。此代码是否适合与 SSE 一起使用以获得加速的矢量化？

更新

我学习了矢量化（如果你使用内在函数，这并不难）并在 SSE 中实现了我的循环。但是，在 VC++ 编译器中设置 SSE2 标志时，我得到的性能与我自己的 SSE 代码大致相同。另一方面，英特尔编译器比我的 SSE 代码或 VC++ 编译器快得多。

这是我写的代码供参考

double *u = (double*) _aligned_malloc(n * sizeof(double), 16);
for(int i = 0; i < n; i++)
{
   u[i] = 0;
}

int j = 0;
__m128d *uSSE = (__m128d*) u;
__m128d cStore = _mm_set1_pd(c);
__m128d sStore = _mm_set1_pd(s);
for (j = 0; j <= i - 2; j+=2)
{
  __m128d uStore = _mm_set_pd(u[j+1], u[j]);

  __m128d cu = _mm_mul_pd(cStore, uStore);
  __m128d so = _mm_mul_pd(sStore, omegaStore);

  uSSE[j/2] = _mm_add_pd(cu, so);
}
for(; j <= i; ++j)
{
  u[j] = c * u[j] + s * omegaCache[j];
}
4

5 回答 5

5

是的，这是矢量化的绝佳候选者。但是，在您这样做之前，请确保您已经分析了您的代码，以确保这实际上值得优化。也就是说，矢量化会是这样的：

int i;
for(i = 0; i < n - 3; i += 4)
{
  load elements u[i,i+1,i+2,i+3]
  load elements b[i,i+1,i+2,i+3]
  vector multiply u * c
  vector multiply s * b
  add partial results
  store back to u[i,i+1,i+2,i+3]
}

// Finish up the uneven edge cases (or skip if you know n is a multiple of 4)
for( ; i < n; i++)
  u[i] = c * u[i] + s * b[i];

为了获得更高的性能，您可以考虑预取更多的数组元素，和/或展开循环并使用软件流水线将计算与来自不同迭代的内存访问交错在一个循环中。

于 2010-05-27T04:06:15.337 回答
2

_mm_set_pd未矢量化。如果从字面上看，它使用标量操作读取两个双精度数，然后组合两个标量双精度数并将它们复制到 SSE 寄存器中。改为使用_mm_load_pd。

于 2010-06-30T15:19:23.030 回答
1

是的，假设 U 和 B 数组没有重叠，这是矢量化的一个很好的候选者。但是代码受内存访问（加载/存储）的约束。矢量化有助于减少每个循环的周期，但指令将由于 U 和 B 数组上的缓存未命中而停止。英特尔 C/C++ 编译器使用 Xeon x5500 处理器的默认标志生成以下代码。编译器将循环展开 8 并使用 xmm[0-16] SIMD 寄存器使用 SIMD ADD (addpd) 和 MULTIPLY (mulpd) 指令。在每个周期中，处理器可以发出 2 条 SIMD 指令，产生 4 路标量 ILP，假设您已在寄存器中准备好数据。

这里 U、B、C 和 S 是双精度（8 个字节）。

    ..B1.14:                        # Preds ..B1.12 ..B1.10
    movaps    %xmm1, %xmm3                                  #5.1
    unpcklpd  %xmm3, %xmm3                                  #5.1
    movaps    %xmm0, %xmm2                                  #6.12
    unpcklpd  %xmm2, %xmm2                                  #6.12
      # LOE rax rcx rbx rbp rsi rdi r8 r12 r13 r14 r15 xmm0 xmm1 xmm2 xmm3
    ..B1.15:     # Preds ..B1.15 ..B1.14
    movsd     (%rsi,%rcx,8), %xmm4                          #6.21
    movhpd    8(%rsi,%rcx,8), %xmm4                         #6.21
    mulpd     %xmm2, %xmm4                                  #6.21
    movaps    (%rdi,%rcx,8), %xmm5                          #6.12
    mulpd     %xmm3, %xmm5                                  #6.12
    addpd     %xmm4, %xmm5                                  #6.21
    movaps    16(%rdi,%rcx,8), %xmm7                        #6.12
    movaps    32(%rdi,%rcx,8), %xmm9                        #6.12
    movaps    48(%rdi,%rcx,8), %xmm11                       #6.12
    movaps    %xmm5, (%rdi,%rcx,8)                          #6.3
    mulpd     %xmm3, %xmm7                                  #6.12
    mulpd     %xmm3, %xmm9                                  #6.12
    mulpd     %xmm3, %xmm11                                 #6.12
    movsd     16(%rsi,%rcx,8), %xmm6                        #6.21
    movhpd    24(%rsi,%rcx,8), %xmm6                        #6.21
    mulpd     %xmm2, %xmm6                                  #6.21
    addpd     %xmm6, %xmm7                                  #6.21
    movaps    %xmm7, 16(%rdi,%rcx,8)                        #6.3
    movsd     32(%rsi,%rcx,8), %xmm8                        #6.21
    movhpd    40(%rsi,%rcx,8), %xmm8                        #6.21
    mulpd     %xmm2, %xmm8                                  #6.21
    addpd     %xmm8, %xmm9                                  #6.21
    movaps    %xmm9, 32(%rdi,%rcx,8)                        #6.3
    movsd     48(%rsi,%rcx,8), %xmm10                       #6.21
    movhpd    56(%rsi,%rcx,8), %xmm10                       #6.21
    mulpd     %xmm2, %xmm10                                 #6.21
    addpd     %xmm10, %xmm11                                #6.21
    movaps    %xmm11, 48(%rdi,%rcx,8)                       #6.3
    addq      $8, %rcx                                      #5.1
    cmpq      %r8, %rcx                                     #5.1
    jl        ..B1.15       # Prob 99%                      #5.1
于 2011-12-20T15:53:23.737 回答
1

可能是的，但你必须帮助编译器提供一些提示。 __restrict__放在指针上告诉编译器两个指针之间没有别名。如果您知道向量的对齐方式，请将其传达给编译器（Visual C++ 可能有一些工具）。

我自己对 Visual C++ 并不熟悉，但我听说它不适合矢量化。考虑改用英特尔编译器。英特尔允许对生成的程序集进行非常细粒度的控制：http: //www.intel.com/software/products/compilers/docs/clin/main_cls/cref_cls/common/cppref_pragma_vector.htm

于 2010-05-27T04:07:23.153 回答
-2

这取决于您如何将 u 和 b 放在内存中。如果两个内存块彼此相距很远，那么在这种情况下，SSE 不会有太大的提升。

建议数组 u 和 b 是 AOE（结构数组）而不是 SOA（数组结构），因为您可以在一条指令中将它们都加载到寄存器中。

于 2010-05-27T03:52:42.623 回答