0

我知道在 AVX2 中可以使用一条指令进行乘加。我想使用乘加指令，其中每个 256 位 AVX2 变量都包含 16 个 16 位变量。例如，考虑下面的例子，

资源=a0*b0+a1*b1+a2*b2+a3*b3

这里 res、a0、a1、a2、a3、b0、b1、b2、b3 中的每一个都是 16 位变量。我密切关注讨论。请在下面找到我的代码来计算上面显示的示例，

#include<stdio.h>
#include<stdint.h>
#include <immintrin.h>
#include<time.h>
#include "cpucycles.c"

#pragma STDC FP_CONTRACT ON

#define AVX_LEN 16

inline __m256i mul_add(__m256i a, __m256i b, __m256i c) { 
    return _mm256_add_epi16(_mm256_mullo_epi16(a, b), c);
}

void fill_random(int16_t *a, int32_t len){  //to fill up the random array

    int32_t i;

    for(i=0;i<len;i++){     
        a[i]=(int16_t)rand()&0xffff;
    }
}

void main(){


    int16_t a0[16*AVX_LEN], b0[16*AVX_LEN];
    int16_t a1[16*AVX_LEN], b1[16*AVX_LEN];
    int16_t a2[16*AVX_LEN], b2[16*AVX_LEN];
    int16_t a3[16*AVX_LEN], b3[16*AVX_LEN];
    int16_t res[16*AVX_LEN];


    __m256i a0_avx[AVX_LEN], b0_avx[AVX_LEN];
    __m256i a1_avx[AVX_LEN], b1_avx[AVX_LEN];
    __m256i a2_avx[AVX_LEN], b2_avx[AVX_LEN];
    __m256i a3_avx[AVX_LEN], b3_avx[AVX_LEN];

    __m256i res_avx[AVX_LEN];

    int16_t res_avx_check[16*AVX_LEN];
    int32_t i,j;

    uint64_t mask_ar[4]; //for unloading AVX variables
    mask_ar[0]=~(0UL);mask_ar[1]=~(0UL);mask_ar[2]=~(0UL);mask_ar[3]=~(0UL);
    __m256i mask;
    mask = _mm256_loadu_si256 ((__m256i const *)mask_ar);

    time_t t;
    srand((unsigned) time(&t));


    int32_t repeat=100000;

    uint64_t clock1, clock2, fma_clock;

    clock1=clock2=fma_clock=0;

    for(j=0;j<repeat;j++){
        printf("j : %d\n",j);

        fill_random(a0,16*AVX_LEN);// Genrate random data
        fill_random(a1,16*AVX_LEN);
        fill_random(a2,16*AVX_LEN);
        fill_random(a3,16*AVX_LEN);

        fill_random(b0,16*AVX_LEN);
        fill_random(b1,16*AVX_LEN);
        fill_random(b2,16*AVX_LEN);
        fill_random(b3,16*AVX_LEN);


        for(i=0;i<AVX_LEN;i++){ //Load values in AVX variables

            a0_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&a0[i*16]));
            a1_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&a1[i*16]));
            a2_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&a2[i*16]));
            a3_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&a3[i*16]));

            b0_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&b0[i*16]));
            b1_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&b1[i*16]));
            b2_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&b2[i*16]));
            b3_avx[i] = _mm256_loadu_si256 ((__m256i const *) (&b3[i*16]));
        }

        for(i=0;i<AVX_LEN;i++){
            res_avx[i]= _mm256_set_epi64x(0, 0, 0, 0);
        }

        //to calculate a0*b0 + a1*b1 + a2*b2 + a3*b3

        //----standard calculation----
        for(i=0;i<16*AVX_LEN;i++){
            res[i]=a0[i]*b0[i] + a1[i]*b1[i] + a2[i]*b2[i] + a3[i]*b3[i];
        }


        //-----AVX-----

        clock1=cpucycles();


        for(i=0;i<AVX_LEN;i++){ //simple approach

            a0_avx[i]=_mm256_mullo_epi16(a0_avx[i], b0_avx[i]);
            res_avx[i]=_mm256_add_epi16(a0_avx[i], res_avx[i]);

            a1_avx[i]=_mm256_mullo_epi16(a1_avx[i], b1_avx[i]);
            res_avx[i]=_mm256_add_epi16(a1_avx[i], res_avx[i]);

            a2_avx[i]=_mm256_mullo_epi16(a2_avx[i], b2_avx[i]);
            res_avx[i]=_mm256_add_epi16(a2_avx[i], res_avx[i]);

            a3_avx[i]=_mm256_mullo_epi16(a3_avx[i], b3_avx[i]);
            res_avx[i]=_mm256_add_epi16(a3_avx[i], res_avx[i]);

        }

        /*
        for(i=0;i<AVX_LEN;i++){ //FMA approach

            res_avx[i]=mul_add(a0_avx[i], b0_avx[i], res_avx[i]);

            res_avx[i]=mul_add(a1_avx[i], b1_avx[i], res_avx[i]);
            res_avx[i]=mul_add(a2_avx[i], b2_avx[i], res_avx[i]);

            res_avx[i]=mul_add(a3_avx[i], b3_avx[i], res_avx[i]);

        }
        */

        clock2=cpucycles();
        fma_clock = fma_clock + (clock2-clock1);

        //-----Check----

        for(i=0;i<AVX_LEN;i++){ //store avx results for comparison
            _mm256_maskstore_epi64 (res_avx_check + i*16, mask, res_avx[i]);
        }

        for(i=0;i<16*AVX_LEN;i++){
            if(res[i]!=res_avx_check[i]){

                printf("\n--ERROR--\n");
                return;
            }   

        }
    }


    printf("Total time taken is :%llu\n", fma_clock/repeat);

}

cpucycles 代码来自ECRYPT，如下所示，

#include "cpucycles.h"

long long cpucycles(void)
{
  unsigned long long result;
  asm volatile(".byte 15;.byte 49;shlq $32,%%rdx;orq %%rdx,%%rax"
    : "=a" (result) ::  "%rdx");
  return result;
}

我的 gcc -version 返回，

gcc (GCC) 4.8.5 20150623 (Red Hat 4.8.5-36)

我在用

 Intel(R) Core(TM) i7-7700 CPU @ 3.60GHz

当我在我的计算机上运行它时，我分别得到了 fma 方法和简单方法的以下循环

FMA approach : Total time taken is :109
Simple approach : Total time taken is :141

如您所见，FMA 方法稍微快一些，但我预计会更快。我知道在我的示例代码中存在许多内存访问，这可能是性能下降的原因。但，

  1. 当我转储程序集时，我看到两种方法的说明几乎相似。我在 FMA 版本中没有看到任何 fma 指令。我不明白原因。是因为 _mm256_mullo_epi16 指令吗？

  2. 我的方法正确吗？

  3. 你能帮我解决这个问题吗？

我是 AVX2 编程的新手，所以我很有可能做了一些不是很标准的事情，但我很乐意回答一些不清楚的事情。我提前感谢大家的帮助。

4

1 回答 1

3

x86 除了水平 pmaddubsw / pmaddwd 之外没有 SIMD 整数 FMA / MAC（乘法累加），它将水平添加到更宽的整数中。（直到 AVX512IFMA_mm_madd52lo_epu64或 AVX512_4VNNIW _mm512_4dpwssd_epi32(__m512i, __m512ix4, __m128i *)）。

FP-contract 和-ffast-mathoptions 与 SIMD-integer 无关；整数数学总是精确的。

我认为您的“简单”方法较慢，因为您还在修改输入数组，而这并没有得到优化，例如

a0_avx[i] = _mm256_mullo_epi16(a0_avx[i], b0_avx[i]);

以及更新res_avx[i]。

如果编译器没有对其进行优化，那么这些额外的存储可能正是它比您的mul_add函数慢的原因。 rdtsc如果没有序列化指令，甚至不必等待更早的指令执行，更不用说退休或提交存储到 L1d 缓存，但是前端的额外微指令仍然需要更多时间来解决。每个时钟吞吐量只有 1 个存储，这很容易成为新的瓶颈。

仅供参考，您不需要将输入复制到__m256i. 通常，您只需对常规数据使用 SIMD 加载。这并不比索引数组慢__m256i。您的数组太大，编译器无法完全展开并将所有内容保存在寄存器中（就像对标量__m256i变量一样）。

如果您只是__m256i a0 = _mm256_loadu_si256(...)在循环内使用，那么您可以在a0不减慢代码速度的情况下进行更新，因为它只是一个可以保存在 YMM reg 中的局部变量。

但我发现在大多数步骤中使用新命名的 tmp 变量是一种很好的风格，可以使代码更具自我记录性。喜欢__m256i ab = ...或sum = ...。sum您可以为每个a0+b0和重用相同的临时文件a1+b1。

您也可以使用临时结果向量，而不是让编译器优化内存更新res_avx[i]直到最后一个。

您可以使用alignas(32) int16_t a0[...];使普通数组对齐_mm256_load而不是loadu.

您的cpucycles()RDTSC 函数不需要使用内联汇编。 改为使用__rdtsc()。

于 2019-08-01T11:11:51.040 回答