4

考虑执行相同计算的这三个函数：

#include <x86intrin.h>

void testfunc_loop(double a, double b, double* dst)
{
    double f[] = {a,b,-a,-b};

    for(int n = 0; n < 4; ++n)
    {
        dst[n] = 0.1 + f[n]*(1.0 + 0.5*f[n]);
    }
}

void testfunc_flat(double a, double b, double* dst)
{
    dst[0] = 0.1 + ( a)*(1.0 + 0.5*( a));
    dst[1] = 0.1 + ( b)*(1.0 + 0.5*( b));
    dst[2] = 0.1 + (-a)*(1.0 + 0.5*(-a));
    dst[3] = 0.1 + (-b)*(1.0 + 0.5*(-b));
}

void testfunc_avx(double a, double b, double* dst)
{
    __m256d one      = _mm256_set1_pd(1.0);
    __m256d half     = _mm256_set1_pd(0.5);
    __m256d tenth    = _mm256_set1_pd(0.1);

    __m256d v = _mm256_set_pd(-b,-a,b,a);

    __m256d q = _mm256_add_pd(tenth,_mm256_mul_pd(v,_mm256_add_pd(one,_mm256_mul_pd(half,v))));

    _mm256_store_pd(dst,q);
}

GCC 4.7.2（带有 -O3 -mavx）对循环版本进行矢量化，但对展开的循环使用标量操作。三个版本所采用的（标准化）时间分别为 3.3（循环、自动矢量化）、1.2（展开、标量）、1（手动 avx）。展开版本和手动矢量化函数之间的性能差异很小，但我想强制矢量化，因为它在完整代码中是有益的。

使用不同的编译器进行测试（请参阅https://godbolt.org/g/HJH2CX）表明，clang 会自动对展开的循环进行矢量化（从版本 3.4.1 开始），但 GCC 到版本 7 则不会。我可以使用 GCC 自动获得类似的矢量化吗？我只发现与循环矢量化相关的优化选项没有帮助。GCC 网站自 2011 年以来没有显示任何消息。

4

1 回答 1

5

gcc 通常不会向量化单向量的东西。我Point{ double x,y; }在现有代码库（Endless Sky）中看到了类似的缺少自动矢量化的类。

因此，如果您需要将 x86 内联到快速代码，您可能必须手动进行矢量化。（您也可以考虑传递__m256d值而不是存储到数组中。）

顺便说一句，手动矢量化版本可能会更快。我在 Godbolt 上玩过它，并注意到它_mm256_set_pd(-b,-a, b,a)正在编译为愚蠢的代码，因此手动执行会更有效。此外，如果您没有可用的 FMA，您可以通过重构表达式来减少延迟。（允许 0.1 -/+ a 与平方并行发生）。 代码+asm在这里

// 0.1 + a  + 0.5*a*a   =  0.1 +   a  * (1.0 + 0.5*a)
//     + b
// 0.1 - a  + 0.5*a*a   =  0.1 + (-a) * (1.0 - 0.5*a)
//     - b

// only one of the mul+add pairs can fuse into an FMA
// but 0.1+/-a happens in parallel with 0.5*a*a, so it's lower latency without FMA
void testfunc_latency_without_fma(double a, double b, double* dst)
{
  // 6 AVX instructions other than the store:
  // 2 shuffles, 1 mul, 1 FMA, 1 add.  1 xor.  In theory could run one iteration per 2 clocks
    __m256d abab       = _mm256_setr_pd(a, b, a, b);    // 1c + 3c latency (unpck + vinsertf128)
    __m256d sq256      = _mm256_mul_pd(abab, abab);     // 5c
    const __m256d half = _mm256_set1_pd(0.5);
    __m256d sq_half256 = _mm256_mul_pd(sq256, half);    // 5c: dependency chain 1 ready in 14c from a and b being ready

    // we could use a smaller constant if we do _mm256_setr_m128d(ab, xor(ab, set1(-0.))
    // but that takes an extra vinsertf128 and this part isn't the critical path.
    const __m256d upper_signmask = _mm256_setr_pd(0. ,0. ,-0. ,-0.);
    __m256d ab_negab = _mm256_xor_pd(abab, upper_signmask); // chain2: 1c from abab

    const __m256d tenth   = _mm256_set1_pd(0.1);
    __m256d tenth_plusminus_ab = _mm256_add_pd(tenth, ab_negab); // chain2: 3c (ready way ahead of squared result)

    __m256d result = _mm256_add_pd(tenth_plusminus_ab, sq_half256);  // fuses with the sq_half
    _mm256_store_pd(dst, result);
}

IDK 为什么在您测试时自动矢量化循环如此缓慢。它确实将标量存储到数组中，然后进行向量加载，从而导致约 11 个周期的存储转发停止。因此它的延迟比其他两种方式中的任何一种都高得多，但是如果这会影响吞吐量，则 IDK 会影响吞吐量。IDK 你是如何测试的；也许您正在使用一个调用的结果作为下一个调用的输入？或者可能在同一块堆栈空间上重复存储转发停止是一个问题？

一般来说，对于较大的数组，gcc 非常喜欢对齐指针。它生成巨大的完全展开的标量 intro/outro 代码以到达对齐的指针，然后使用对齐的存储/加载。

这对现代 CPU 没有多大帮助（但通常也不会造成太大伤害），尤其是对于通常在运行时对齐的数据，但如果数据通常未对齐，或者它在 pre-Nehalem 上运行，这可能会很好中央处理器。

IDK，如果这与 gcc 不愿自动矢量化小东西有关，但告诉它double*对齐似乎没有帮助。

我认为问题的一部分在于插入洗牌来矢量化需要洗牌的代码并不是很好。

于 2016-10-09T23:30:30.127 回答