Question

我正在开发一个应用程序，高度优化的线性搜索将在整体性能方面产生重大影响，我的任务就是尽可能提高性能。

我正在搜索10,000个元素的向量，这些元素在末尾由哨兵值限制，我在距目标元素一定距离处运行线性搜索并测量查找元素所花费的时间。我从元素集中随机选择目标元素，这些元素在距离数组开头的恒定距离之后，以允许搜索的开始。我正在使用Google's benchmark framework衡量效果。

我收集的结果让我感到惊讶。我预计，在某些时候，SIMD会击败一个展开的性能循环，但两者之间的差距似乎随着行进阵列所需距离的增长而增长。另外，我不确定为什么已经展开8次的循环在较短的距离上比在展开32次的循环中运行得更快。

Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
BM_Search<linUnroll<8>>/2             86 ns         86 ns    7699241
BM_Search<linUnroll<8>>/4            103 ns        103 ns    6797378
BM_Search<linUnroll<8>>/16           650 ns        650 ns    1079095
BM_Search<linUnroll<8>>/64          1365 ns       1365 ns     514196
BM_Search<linUnroll<8>>/256         3558 ns       3558 ns     196519
BM_Search<linUnroll<8>>/1024       12358 ns      12358 ns      56635
BM_Search<linUnroll<8>>/4096       47341 ns      47341 ns      14780
BM_Search<linUnroll<8>>/8192       95029 ns      95030 ns       7367
BM_Search<linUnroll<32>>/2           131 ns        131 ns    5337221
BM_Search<linUnroll<32>>/4           131 ns        131 ns    5329296
BM_Search<linUnroll<32>>/16          291 ns        291 ns    2404646
BM_Search<linUnroll<32>>/64          836 ns        836 ns     831093
BM_Search<linUnroll<32>>/256        2776 ns       2776 ns     252901
BM_Search<linUnroll<32>>/1024      10962 ns      10962 ns      63828
BM_Search<linUnroll<32>>/4096      41312 ns      41312 ns      16941
BM_Search<linUnroll<32>>/8192      83303 ns      83304 ns       8401
BM_Search<linSIMD>/2                 163 ns        163 ns    4304086
BM_Search<linSIMD>/4                 208 ns        208 ns    3354716
BM_Search<linSIMD>/16                366 ns        366 ns    1912122
BM_Search<linSIMD>/64                871 ns        871 ns     803854
BM_Search<linSIMD>/256              3333 ns       3334 ns     210159
BM_Search<linSIMD>/1024            11262 ns      11262 ns      62157
BM_Search<linSIMD>/4096            42656 ns      42656 ns      16413
BM_Search<linSIMD>/8192            87824 ns      87824 ns       7970

我在i5-4570上运行，而且我已经遵守了clang 5.0.0。 quick-bench没有AVX，并且clang没有在3.8版本中完全展开，但它应该是可以运行的。我也尝试展开SIMD，以及转向AVX256指令，但两者都使性能变差。为什么展开的循环要快得多？为什么具有更多展开的循环比具有较少展开的循环表现得如此剧烈？

SIMD的经典诊断是你在SIMD中没有做足够的工作，但我认为我在这里做得很多。

#include <vector>
#include <cinttypes>
#include <immintrin.h>
typedef int V;
typedef std::vector<V> vi;

long linSIMD(const vi& arr, const long guessIx, const V x) {
  using v4 = V __attribute__ ((vector_size (4*4)));
  using dv2 = int64_t __attribute__ ((vector_size (4*4)));
  constexpr int roll = 4;
  constexpr union {
    int32_t i32[2];
    int64_t i64;
  } skip = {-2,-2};
  v4 xVec = {x,x,x,x};
  for (int i = guessIx;; i += roll) {
    v4 arrVec;
    for (long j = 0; j < 4; j++) arrVec[j] = arr[i+j];
    union {
        v4 i32;
        dv2 i64;
    } cmpVec = {arrVec < xVec};
    v4 cmpVec2 = {cmpVec.i32[3], cmpVec.i32[2], cmpVec.i32[1],cmpVec.i32[0]};
    cmpVec.i32 += cmpVec2;
    if (cmpVec.i64[0] == skip.i64) continue;
    return i - cmpVec.i32[0] - cmpVec.i32[1];
  }
}

long linUnroll32(const vi& arr, const long guessIx, const V x) {
  constexpr int roll = 32;
  for (long i = guessIx;; i += roll)
    for (long j = 0; j < roll; j++)
        if (arr[i+j] >= x) return i+j;
}

http://quick-bench.com/_x_v_WXLWtwvvLsObNlIxjXxS_g https://godbolt.org/g/Wyx2pS

Answer 1

在SIMD案例的循环中使用较大的批次。

例如，在4个SIMD寄存器上使用compare，然后将得到的16个比较结果放入一个SIMD寄存器中。然后在其上放置一个分支（如果找到匹配则从循环中断）。这样，您将拥有：

less branches
编译器的更多可能的并行化机会＆amp; CPU

从循环中断后，需要在16个可能的条目中找到匹配的索引。你可以用SIMD或你喜欢的任何方法来做到这一点。

这种方式应该比当前的实现更快（对于大型数组）。

Answer 2

我能做的最好（见quick-bench的结果）就是这个，

int linSIMD4(const vi& arr, const int guessIx, const int x) {
  auto vecX = _mm_set1_epi32(x - 1);
  const int *ptr = arr.data();
  int i = guessIx;
  // unaligned start
  int misalignment = (uintptr_t)(ptr + i) & 15;
  auto arrVec = _mm_loadu_si128((__m128i*)(ptr + i));
  auto cmp = _mm_cmpgt_epi32(arrVec, vecX);
  int mask = _mm_movemask_ps(_mm_castsi128_ps(cmp));
  if (mask)
    return i + __builtin_ctz(mask);
  // continue with aligned part
  i += (16 - misalignment) / 4;
  for (; ; i += 16) {
    auto av0 = _mm_load_si128((__m128i*)(ptr + i));
    auto av1 = _mm_load_si128((__m128i*)(ptr + i + 4));
    auto av2 = _mm_load_si128((__m128i*)(ptr + i + 8));
    auto av3 = _mm_load_si128((__m128i*)(ptr + i + 12));
    auto cmp0 = _mm_cmpgt_epi32(av0, vecX);
    auto cmp1 = _mm_cmpgt_epi32(av1, vecX);
    auto cmp2 = _mm_cmpgt_epi32(av2, vecX);
    auto cmp3 = _mm_cmpgt_epi32(av3, vecX);
    auto cmp = _mm_packs_epi16(_mm_packs_epi32(cmp0, cmp1), _mm_packs_epi32(cmp2, cmp3));
    int mask = _mm_movemask_epi8(cmp);
    if (mask)
      return i + __builtin_ctz(mask);
  }
}

这基本上是geza所描述的，但我添加了一个特殊的第一次迭代，以便对齐主循环的数据。跨越缓存行边界（或页面边界）的加载速度较慢，这可以解决它们。对于小距离（没有足够的慢负载），开销是不值得的，另一方面，对于很小的距离（小于4），它应该更快。

我还尝试使用linSIMD5翻译条件（(a >= b) = !(b > a)），使用非破坏性AVX编码，允许合并vcmpgtd和加载（减少μop中的μop）融合域），但快速工作台不做AVX所以只是忽略结果并自己尝试。

底部有一个AVX2版本，我没有尝试或基准测试。它不使用加载/比较合并技巧（可能会有所帮助，也可能没有帮助），但它很容易适应。

SIMD线性搜索比展开循环慢

2 个答案: