我最近在汇编（x86_64）中学习了SIMD，并且有一些意想不到的结果。它归结为以下几点。
我有两个程序多次运行循环。第一个程序包含一个执行4个SIMD指令的循环，第二个程序包含一个完全相同的循环和一个额外的指令。代码如下所示：
第一个程序：
section .bss
doublestorage: resb 8
section .text
global _start
_start:
mov rax, 0x0000000100000001
mov [doublestorage], rax
cvtpi2pd xmm1, [doublestorage]
cvtpi2pd xmm2, [doublestorage]
cvtpi2pd xmm3, [doublestorage]
cvtpi2pd xmm4, [doublestorage]
cvtpi2pd xmm5, [doublestorage]
cvtpi2pd xmm6, [doublestorage]
cvtpi2pd xmm7, [doublestorage]
mov rax, (1 << 31)
loop:
movupd xmm1, xmm3
movupd xmm2, xmm5
divpd xmm1, xmm2
addpd xmm4, xmm1
dec rax
jnz loop
mov rax, 60
mov rdi, 0
syscall
第二个项目：
section .bss
doublestorage: resb 8
section .text
global _start
_start:
mov rax, 0x0000000100000001
mov [doublestorage], rax
cvtpi2pd xmm1, [doublestorage]
cvtpi2pd xmm2, [doublestorage]
cvtpi2pd xmm3, [doublestorage]
cvtpi2pd xmm4, [doublestorage]
cvtpi2pd xmm5, [doublestorage]
cvtpi2pd xmm6, [doublestorage]
cvtpi2pd xmm7, [doublestorage]
mov rax, (1 << 31)
loop:
movupd xmm1, xmm3
movupd xmm2, xmm5
divpd xmm1, xmm2
addpd xmm4, xmm1
movupd xmm6, xmm7
dec rax
jnz loop
mov rax, 60
mov rdi, 0
syscall
现在，我的想法如下：第二个程序有更多的执行指令，因此执行需要相当长的时间。但是，如果我计算两个程序，第二个程序比第一个程序花费的时间更少。我运行了两个程序总共100次，结果是：
Runtime first program: mean: 5.6129 s, standard deviation: 0.0156 s
Runtime second program: mean: 5.5056 s, standard deviation: 0.0147 s
我得出结论，第二个程序运行速度更快。这些结果对我来说似乎违反直觉，所以我想知道这种行为可能是什么原因。
要完成，我正在运行Ubuntu 15.10和NASM编译器（-elf64）并使用Intel Core i7-5600。另外，我检查了反汇编，编译器没有进行任何优化：
第一个项目的观察：
exec/instr4: file format elf64-x86-64
Disassembly of section .text:
00000000004000b0 <.text>:
4000b0: 48 b8 01 00 00 00 01 movabs $0x100000001,%rax
4000b7: 00 00 00
4000ba: 48 89 04 25 28 01 60 mov %rax,0x600128
4000c1: 00
4000c2: 66 0f 2a 0c 25 28 01 cvtpi2pd 0x600128,%xmm1
4000c9: 60 00
4000cb: 66 0f 2a 14 25 28 01 cvtpi2pd 0x600128,%xmm2
4000d2: 60 00
4000d4: 66 0f 2a 1c 25 28 01 cvtpi2pd 0x600128,%xmm3
4000db: 60 00
4000dd: 66 0f 2a 24 25 28 01 cvtpi2pd 0x600128,%xmm4
4000e4: 60 00
4000e6: 66 0f 2a 2c 25 28 01 cvtpi2pd 0x600128,%xmm5
4000ed: 60 00
4000ef: 66 0f 2a 34 25 28 01 cvtpi2pd 0x600128,%xmm6
4000f6: 60 00
4000f8: 66 0f 2a 3c 25 28 01 cvtpi2pd 0x600128,%xmm7
4000ff: 60 00
400101: b8 00 00 00 80 mov $0x80000000,%eax
400106: 66 0f 10 cb movupd %xmm3,%xmm1
40010a: 66 0f 10 d5 movupd %xmm5,%xmm2
40010e: 66 0f 5e ca divpd %xmm2,%xmm1
400112: 66 0f 58 e1 addpd %xmm1,%xmm4
400116: 48 ff c8 dec %rax
400119: 75 eb jne 0x400106
40011b: b8 3c 00 00 00 mov $0x3c,%eax
400120: bf 00 00 00 00 mov $0x0,%edi
400125: 0f 05 syscall
第二个项目的观察：
exec/instr5: file format elf64-x86-64
Disassembly of section .text:
00000000004000b0 <.text>:
4000b0: 48 b8 01 00 00 00 01 movabs $0x100000001,%rax
4000b7: 00 00 00
4000ba: 48 89 04 25 2c 01 60 mov %rax,0x60012c
4000c1: 00
4000c2: 66 0f 2a 0c 25 2c 01 cvtpi2pd 0x60012c,%xmm1
4000c9: 60 00
4000cb: 66 0f 2a 14 25 2c 01 cvtpi2pd 0x60012c,%xmm2
4000d2: 60 00
4000d4: 66 0f 2a 1c 25 2c 01 cvtpi2pd 0x60012c,%xmm3
4000db: 60 00
4000dd: 66 0f 2a 24 25 2c 01 cvtpi2pd 0x60012c,%xmm4
4000e4: 60 00
4000e6: 66 0f 2a 2c 25 2c 01 cvtpi2pd 0x60012c,%xmm5
4000ed: 60 00
4000ef: 66 0f 2a 34 25 2c 01 cvtpi2pd 0x60012c,%xmm6
4000f6: 60 00
4000f8: 66 0f 2a 3c 25 2c 01 cvtpi2pd 0x60012c,%xmm7
4000ff: 60 00
400101: b8 00 00 00 80 mov $0x80000000,%eax
400106: 66 0f 10 cb movupd %xmm3,%xmm1
40010a: 66 0f 10 d5 movupd %xmm5,%xmm2
40010e: 66 0f 5e ca divpd %xmm2,%xmm1
400112: 66 0f 58 e1 addpd %xmm1,%xmm4
400116: 66 0f 10 f7 movupd %xmm7,%xmm6
40011a: 48 ff c8 dec %rax
40011d: 75 e7 jne 0x400106
40011f: b8 3c 00 00 00 mov $0x3c,%eax
400124: bf 00 00 00 00 mov $0x0,%edi
400129: 0f 05 syscall
答案 0 :(得分：1)
有no such thing as an "i7 5600"。我假设你的意思是i7 5600U，这是一款低功耗（15W TDO）CPU，具有2.6GHz基础/3.2GHz turbo。
你能仔细检查一下这是否可以重现？确保两个测试中的CPU时钟速度保持恒定，因为低功耗CPU可能无法在分频单元一直忙碌的情况下以全涡轮增压运行。
使用性能计数器（例如perf stat ./a.out）测试核心时钟周期也许也很有用。 （不＆＃34;参考＆＃34;周期。你想要计算时钟实际运行的实际周期。）
IACA仅支持Haswell。对于两个循环，它不会说除了每次迭代14c以外的任何事情，而是分配器吞吐量的瓶颈。 （Agner Fog对divpd的测量结果为one per 8-14c throughput on Haswell, one per 8c on Broadwell。）
有a recent question about broadwell throughput，但那是关于前端饱和的问题。
这个循环应该是divpd吞吐量（one per 8c on Broadwell）的纯粹瓶颈。如果效果是真实的，那么我唯一的解释就是movupd insn中的一个并不总是被消除，并且从divpd偷取p0一个周期有时。
循环中的三个未融合域uop都在不同的端口上运行，因此它们无法相互延迟。 （p0上为divpd，p1上为addpd，p6上已预测为已融合cmp/jcc。
实际上，即使这个理论也没有用水。未消除的movaps xmm,xmm使用Broadwell上的端口5。我假设movupd xmm,xmm的奇怪选择也解码为port5 uop。 （Agner Fog甚至没有为movups / movupd的注册表单列出条目，因为每个人都使用movaps。或movapd如果他们喜欢将insn类型与数据匹配，即使它的字节更长并且现有的uarch不关心s vs d的旁路延迟，只有movaps表示float / double和{{ 1}}表示整数。）
有趣的是，我的2.4GHz E6600（Conroe / merom microarch）在4.5秒内运行你的循环。 Agner Fog的表格列出Merom上的movdqa，每5-31c一个。 divpd可能发生在5c。 Sandybridge的最佳案例分化明显慢于Nehalem。只有Skylake，最佳情况下的吞吐量下降速度与Merom一样快。 （吞吐量固定为每4c一个128b 1.0/1.0）。
divpd对于IACA，我用过：
default REL ; use RIP-relative for access to globals by default, so you don't have to write `[rel my_global]`
section .rodata
; ALIGN 16 ; only desirable if we're doing a 128b load instead of a 64b broadcast-load
one_dp: dq 1.0
section .text
global _start
_start:
mov rax, 0x0000000100000001
mov [rsp-16], rax ; if you're going to store/reload, use the stack for scratch space, not a static location that will probably cache-miss.
cvtpi2pd xmm1, [rsp-16] ; this is the form with xmm, mm/m64 args. Interestingly, for the memory operand form, this should perform the same but saves a byte in the encoding.
cvtdq2pd xmm8, [rsp-16] ; this is the "normal" insn, with xmm, xmm/m64 args.
movq xmm9, rax
cvtdq2pd xmm9, xmm9
; Fun fact: 64bit int <-> FP is only available for scalar until AVX-512 introduces packed conversions for qword integer vectors.
;mov eax, 1 ; still 1 from earlier
cvtsi2sd xmm2, eax
unpcklpd xmm2, xmm2 ; broadcast
pcmpeqw xmm3,xmm3 ; generate the constant on the fly, from Agner Fog's asm guide
psllq xmm3, 54
psrlq xmm3, 2 ; (double)1.0 in both halves.
movaps xmm4, xmm3 ; duplicate the data instead of re-doing the conversion. Shorter and cheaper.
movaps xmm5, xmm3
movaps xmm6, xmm3
;movaps xmm7, [ones] ; load 128b constant
movddup xmm7, [one_dp] ; broadcast-load
mov eax, (1 << 31) ; 1<<31 fits in a 32bit reg just fine.
;IACA_start
.loop:
;movupd xmm1, xmm3
;movupd xmm2, xmm5
movaps xmm1, xmm3 ; prob. no perf diff, but weird to see movupd used for reg-reg moves
movaps xmm2, xmm5
divpd xmm1, xmm2
addpd xmm4, xmm1
;movaps xmm6, xmm7
dec eax
jnz .loop
;IACA_end
mov eax, 60
xor edi,edi
syscall ; exit(0)
%macro IACA_start 0
mov ebx, 111
db 0x64, 0x67, 0x90
%endmacro
%macro IACA_end 0
mov ebx, 222
db 0x64, 0x67, 0x90
%endmacro
然后循环只有4个融合域uops。应该是零差异，因为.loop:
movapd xmm1, xmm3 ; replace the only operand that div writes
divpd xmm1, xmm2
addpd xmm4, xmm1
dec eax
jnz .loop
吞吐量应该仍然是唯一的瓶颈。
或使用AVX：
divpd