44

我使用 Intel 的 SSE 内在函数已经有相当长的一段时间了，性能得到了很好的提升。因此，我希望 AVX 内在函数能够进一步加速我的程序。不幸的是，直到现在情况并非如此。可能我犯了一个愚蠢的错误，所以如果有人能帮助我，我将不胜感激。

我使用带有 g++ 4.6.1 的 Ubuntu 11.10。我编译了我的程序（见下文）

g++ simpleExample.cpp -O3 -march=native -o simpleExample

测试系统采用 Intel i7-2600 CPU。

这是说明我的问题的代码。在我的系统上，我得到了输出

98.715 ms, b[42] = 0.900038 // Naive
24.457 ms, b[42] = 0.900038 // SSE
24.646 ms, b[42] = 0.900038 // AVX

请注意，选择计算 sqrt(sqrt(sqrt(x))) 只是为了确保内存带宽不会限制执行速度；这只是一个例子。

简单示例.cpp：

#include <immintrin.h>
#include <iostream>
#include <math.h> 
#include <sys/time.h>

using namespace std;

// -----------------------------------------------------------------------------
// This function returns the current time, expressed as seconds since the Epoch
// -----------------------------------------------------------------------------
double getCurrentTime(){
  struct timeval curr;
  struct timezone tz;
  gettimeofday(&curr, &tz);
  double tmp = static_cast<double>(curr.tv_sec) * static_cast<double>(1000000)
             + static_cast<double>(curr.tv_usec);
  return tmp*1e-6;
}

// -----------------------------------------------------------------------------
// Main routine
// -----------------------------------------------------------------------------
int main() {

  srand48(0);            // seed PRNG
  double e,s;            // timestamp variables
  float *a, *b;          // data pointers
  float *pA,*pB;         // work pointer
  __m128 rA,rB;          // variables for SSE
  __m256 rA_AVX, rB_AVX; // variables for AVX

  // define vector size 
  const int vector_size = 10000000;

  // allocate memory 
  a = (float*) _mm_malloc (vector_size*sizeof(float),32);
  b = (float*) _mm_malloc (vector_size*sizeof(float),32);

  // initialize vectors //
  for(int i=0;i<vector_size;i++) {
    a[i]=fabs(drand48());
    b[i]=0.0f;
  }

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// Naive implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  s = getCurrentTime();
  for (int i=0; i<vector_size; i++){
    b[i] = sqrtf(sqrtf(sqrtf(a[i])));
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

// -----------------------------------------------------------------------------
  for(int i=0;i<vector_size;i++) {
    b[i]=0.0f;
  }
// -----------------------------------------------------------------------------

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// SSE2 implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  pA = a; pB = b;

  s = getCurrentTime();
  for (int i=0; i<vector_size; i+=4){
    rA   = _mm_load_ps(pA);
    rB   = _mm_sqrt_ps(_mm_sqrt_ps(_mm_sqrt_ps(rA)));
    _mm_store_ps(pB,rB);
    pA += 4;
    pB += 4;
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

// -----------------------------------------------------------------------------
  for(int i=0;i<vector_size;i++) {
    b[i]=0.0f;
  }
// -----------------------------------------------------------------------------

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// AVX implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  pA = a; pB = b;

  s = getCurrentTime();
  for (int i=0; i<vector_size; i+=8){
    rA_AVX   = _mm256_load_ps(pA);
    rB_AVX   = _mm256_sqrt_ps(_mm256_sqrt_ps(_mm256_sqrt_ps(rA_AVX)));
    _mm256_store_ps(pB,rB_AVX);
    pA += 8;
    pB += 8;
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

  _mm_free(a);
  _mm_free(b);

  return 0;
}

任何帮助表示赞赏！

4

4 回答 4

43

这是因为（AVX 指令）在 Sandy Bridge 处理器上VSQRTPS占用的周期正好是（SSE 指令）的两倍。SQRTPS请参阅 Agner Fog 的优化指南：指令表，第 88 页。

像平方根和除法这样的指令不能从 AVX 中受益。另一方面，加法、乘法等也可以。

于 2012-01-19T11:09:57.557 回答
10

如果您对提高平方根性能感兴趣，可以使用 VRSQRTPS 和 Newton-Raphson 公式代替 VSQRTPS：

x0 = vrsqrtps(a)
x1 = 0.5 * x0 * (3 - (a * x0) * x0)

VRSQRTPS 本身不会从 AVX 中受益，但其他计算可以。

如果 23 位精度对您来说足够了，请使用它。

于 2012-01-19T15:19:30.970 回答
7

只是为了完整性。对于除法或平方根等操作的 Newton-Raphson (NR) 实现只有在代码中的这些操作数量有限的情况下才有用。这是因为如果您使用这些替代方法，您将对其他端口产生更大的压力，例如乘法和加法端口。这基本上就是为什么 x86 架构有特殊的硬件单元来处理这些操作而不是替代软件解决方案（如 NR）的原因。我引用Intel 64 and IA-32 Architectures Optimization Reference Manual p.556：

“在某些情况下，当除法或平方根操作是隐藏这些操作的一些延迟的更大算法的一部分时，使用 Newton-Raphson 的近似值会减慢执行速度。”

所以在大型算法中使用 NR 时要小心。实际上，我的硕士论文是围绕这一点完成的，一旦发布，我将在此处留下一个链接以供将来参考。

同样对于人们总是想知道某些指令的吞吐量和延迟，看看IACA。它是英特尔提供的一个非常有用的工具，用于静态分析代码的内核执行性能。

这里编辑的是论文 的链接，供有兴趣的人参考

于 2015-03-16T21:24:02.367 回答
6

根据您的处理器硬件，AVX 指令可以在硬件中模拟为 SSE 指令。您需要查看处理器的部件号以获得准确的规格，但这是低端和高端英特尔处理器之间的主要区别之一，即专用执行单元的数量与硬件仿真。

于 2012-01-19T10:53:41.690 回答