Question

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-O3 -mavx）矢量化循环版本，但对展开的循环使用标量运算。三个版本采用的（标准化）时间为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，但我想强制进行矢量化，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（参见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），但是版本7的GCC不会。我可以使用GCC自动获得类似的矢量化吗？我只找到了与循环矢量化相关的优化选项，但没有帮助。 GCC website自2011年以来没有显示新闻。

Answer 1

gcc通常不会向量化单向量。我已经在现有代码库（Endless Sky）中看到了类似的自动向量化，Point{ double x,y; }类。

因此，如果需要内联到快速代码，则可能必须手动为x86进行矢量化。（您也可以考虑传递__m256d值而不是存储到数组。）

BTW，手动矢量化版本可能更快。我在Godbolt上玩过它，并注意到_mm256_set_pd(-b,-a, b,a)正在编译为愚蠢的代码，因此手动执行它会更有效。此外，如果您没有可用的FMA，则可以通过重新分解表达式来减少延迟。（允许0.1 - / + a与平方并行）。 Code+asm here

// 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为什么自动矢量化循环在测试时速度太慢。它将标量存储放入数组中，然后进行向量加载，从而产生~11个周期的存储转发停顿。因此它具有比其他两种方式更高的延迟，但IDK是否会影响吞吐量。 IDK您的测试方式;也许你正在使用一个呼叫的结果作为下一个的输入？或者在同一块堆栈空间上重复存储转发停顿是一个问题吗？

一般来说，对于较大的数组，gcc非常喜欢指向对齐的指针。它生成巨大的完全展开的标量intro / outro代码，以达到对齐的指针，然后使用对齐的存储/加载。

这对现代CPU来说没有多大帮助（但通常也不会造成太大影响），特别是对于运行时通常对齐的数据，但如果数据通常很好未对齐，或者它在Nehalem之前的CPU上运行。

IDK如果这与gcc不愿意自动矢量化小事情有关，但告诉它double*已经对齐似乎没有帮助。

我认为问题的一部分在于插入shuffle来矢量化需要改组的代码并不是很好。

如何通过GCC获得更好的矢量化？

1 个答案: