Question

我受到此链接的启发 https://www.sigarch.org/simd-instructions-considered-harmful/了解AVX512的性能。我的想法是可以使用AVX512掩码操作删除循环后的清理循环。

这是我正在使用的代码

void daxpy2(int n, double a, const double x[], double y[]) {
  __m512d av = _mm512_set1_pd(a);
  int r = n&7, n2 = n - r;
  for(int i=-n2; i<0; i+=8) {
    __m512d yv = _mm512_loadu_pd(&y[i+n2]);
    __m512d xv = _mm512_loadu_pd(&x[i+n2]);
    yv = _mm512_fmadd_pd(av, xv, yv);
    _mm512_storeu_pd(&y[i+n2], yv);
  }
  __m512d yv = _mm512_loadu_pd(&y[n2]);
  __m512d xv = _mm512_loadu_pd(&x[n2]);
  yv = _mm512_fmadd_pd(av, xv, yv);
  __mmask8 mask = (1 << r) -1;
  //__mmask8 mask = _bextr_u32(-1, 0, r);
  _mm512_mask_storeu_pd(&y[n2], mask, yv);
}

我认为使用BMI1和/或BMI2指令可以生成较少指令的掩码。但是，

__mmask8 mask = _bextr_u32(-1, 0, r)

（在指令数量上）没有比

更好

__mmask8 mask = (1 << r) -1;

请参见https://godbolt.org/z/BFQCM3和https://godbolt.org/z/tesmB_。

这似乎是由于_bextr_u32还是要偏移8的事实。

可以使用更少的指令（例如，使用BMI或其他方法）生成掩模，还是使用最优指令生成掩模？

我用我的AVX512结果扩充了链接中的表格。

ISA                           | MIPS-32 | AVX2  | RV32V | AVX512 |
******************************|*********|****** |*******|******* |
Instructions(static)          |      22 |   29  |    13 |     28 |
Instructions per Main Loop    |       7 |    6* |    10 |      5*|
Bookkeeping Instructions      |      15 |   23  |     3 |     23 |
Results per Main Loop         |       2 |    4  |    64 |      8 |
Instructions (dynamic n=1000) |    3511 | 1517**|   163 |    645 |

*macro-op fusion will reduce the number of uops in the main loop by 1
** without the unnecessary cmp instructions it would only be 1250+ instructions.

我认为，如果链接的作者从-n到0，而不是从0到n，他们可能会跳过cmp就像我在主循环中使用的指令一样（请参见下面的程序集），因此对于AVX，应该在主循环中使用5条指令。

这里是带有ICC19和-O3 -xCOMMON-AVX512

的程序集

daxpy2(int, double, double const*, double*):
    mov       eax, edi                                      #6.13
    and       eax, 7                                        #6.13
    movsxd    r9, edi                                       #6.25
    sub       r9, rax                                       #6.21
    mov       ecx, r9d                                      #7.14
    neg       ecx                                           #7.14
    movsxd    rcx, ecx                                      #7.14
    vbroadcastsd zmm16, xmm0                                #5.16
    lea       rdi, QWORD PTR [rsi+r9*8]                     #9.35
    lea       r8, QWORD PTR [rdx+r9*8]                      #8.35
    test      rcx, rcx                                      #7.20
    jge       ..B1.5        # Prob 36%                      #7.20
..B1.3:                         # Preds ..B1.1 ..B1.3
    vmovups   zmm17, ZMMWORD PTR [rdi+rcx*8]                #10.10
    vfmadd213pd zmm17, zmm16, ZMMWORD PTR [r8+rcx*8]        #10.10
    vmovups   ZMMWORD PTR [r8+rcx*8], zmm17                 #11.23
    add       rcx, 8                                        #7.23
    js        ..B1.3        # Prob 82%                      #7.20
..B1.5:                         # Preds ..B1.3 ..B1.1
    vmovups   zmm17, ZMMWORD PTR [rsi+r9*8]                 #15.8
    vfmadd213pd zmm16, zmm17, ZMMWORD PTR [rdx+r9*8]        #15.8
    mov       edx, -1                                       #17.19
    shl       eax, 8                                        #17.19
    bextr     eax, edx, eax                                 #17.19
    kmovw     k1, eax                                       #18.3
    vmovupd   ZMMWORD PTR [r8]{k1}, zmm16                   #18.3
    vzeroupper                                              #19.1
    ret                                                     #19.1

其中

    add       r8, 8
    js        ..B1.3

应将宏运算符融合到一条指令中。但是，正如Peter Cordes in this answer所指出的， js无法融合。编译器本来可以生成jl，但会融合在一起。

我使用了Agner Fog的testp实用程序来获取核心时钟（不是参考时钟），指令以及已退休的产品。我针对SSE2（实际上是带有FMA但具有128位向量的AVX2），AVX2和AVX512进行了三种不同的循环

v1 = for(int64_t i=0;   i<n;  i+=vec_size) // generates cmp instruction
v2 = for(int64_t i=-n2; i<0;  i+=vec_size) // no cmp but uses js
v3 = for(int64_t i=-n2; i!=0; i+=vec_size) // no cmp and uses jne

vec_size = 2 for SSE, 4 for AVX2, and 8 for AVX512

vec_size version   core cycle    instructions   uops
2        v1        895           3014           3524
2        v2        900           2518           3535
2        v3        870           2518           3035
4        v1        527           1513           1777
4        v2        520           1270           1777
4        v3        517           1270           1541
8        v1        285            765            910
8        v2        285            645            910
8        v3        285            645            790

请注意，核心时钟实际上并不是循环版本的功能。它仅取决于循环的迭代。它与2*n/vec_size成比例。

SSE     2*1000/2=1000
AVX2    2*1000/4=500
AVX512  2*1000/8=250

指令的数量确实从v1更改为v2，但在v2和v3之间没有变化。对于v1，它与6*n/vec_size成比例，对于v2和v3，5*n/vec_size

最后，对于v1和v2，微指令的数量大致相同，但对于v3，微指令的数量下降。对于v1和v2，它与7*n/vec_size成正比，对于v3 6*n/vec_size。

这是IACA3针对vec_size = 2的结果

Throughput Analysis Report
--------------------------
Block Throughput: 1.49 Cycles       Throughput Bottleneck: FrontEnd
Loop Count:  50
Port Binding In Cycles Per Iteration:
--------------------------------------------------------------------------------------------------
|  Port  |   0   -  DV   |   1   |   2   -  D    |   3   -  D    |   4   |   5   |   6   |   7   |
--------------------------------------------------------------------------------------------------
| Cycles |  0.5     0.0  |  0.5  |  1.5     1.0  |  1.5     1.0  |  1.0  |  0.0  |  0.0  |  0.0  |
--------------------------------------------------------------------------------------------------

DV - Divider pipe (on port 0)
D - Data fetch pipe (on ports 2 and 3)
F - Macro Fusion with the previous instruction occurred
* - instruction micro-ops not bound to a port
^ - Micro Fusion occurred
# - ESP Tracking sync uop was issued
@ - SSE instruction followed an AVX256/AVX512 instruction, dozens of cycles penalty is expected
X - instruction not supported, was not accounted in Analysis

| Num Of   |                    Ports pressure in cycles                         |      |
|  Uops    |  0  - DV    |  1   |  2  -  D    |  3  -  D    |  4   |  5   |  6   |  7   |
-----------------------------------------------------------------------------------------
|   1      |             |      | 0.5     0.5 | 0.5     0.5 |      |      |      |      | vmovupd xmm1, xmmword ptr [r8+rax*8]
|   2      | 0.5         | 0.5  | 0.5     0.5 | 0.5     0.5 |      |      |      |      | vfmadd213pd xmm1, xmm2, xmmword ptr [rcx+rax*8]
|   2      |             |      | 0.5         | 0.5         | 1.0  |      |      |      | vmovups xmmword ptr [rcx+rax*8], xmm1
|   1*     |             |      |             |             |      |      |      |      | add rax, 0x2
|   0*F    |             |      |             |             |      |      |      |      | js 0xffffffffffffffe3
Total Num Of Uops: 6

IACA声称js和add的宏熔丝与Agner和testp实用程序的性能计数器不符。如上文所述，v2与7*n/vec_size成比例，v3与6*n/vec_size成比例，我推断这意味着js没有宏熔丝。

我认为除了说明数量外，链接的作者还应该考虑核心周期，甚至可能是微不足道。

Answer 1

如果使用以下BMI2内部函数，则可以保存一条指令：

  __mmask8 mask = _bzhi_u32(-1, r);

而不是__mmask8 mask = (1 << r) -1;。参见Godbolt link。

bzhi instruction将高位从指定位置开始归零。对于寄存器操作数，bzhi的等待时间为1个周期，吞吐量为每个周期2个。

Answer 2

除了@wim使用df2.mul(df.Value.reset_index('Location',drop=True)) Out[683]: 2000 2001 2002 Country Unit Location US USD Hawai 799.2 NaN 149.6 IT EUR Torino 1065.6 NaN 187.0 FR EUR Paris 932.4 NaN 224.4而不是_bzhi_u32的答案之外，您还应该：

在末尾屏蔽_bextr_u32指令，以避免加载无效的内存（https://stackoverflow.com/a/54530225）或对非限定值进行算术运算。
在各处（实际上是有符号的或无符号的）都使用64位整数，以避免_mm512_loadu_pd符号扩展。通常，在64位系统上，这是一个很好的建议，除非您需要存储很多索引变量。
使用movsxd而不是i!=0作为循环条件来获得i<0而不是jne，因为这更好地与js指令配对使用：{{ 3}}
有些小事情，您可以计算add或n2=n-r而不是n2 = n & (-8)。不确定，这是否有重要的关系（icc似乎不知道或不在乎）。 https://stackoverflow.com/a/31778403

n2 = n ^ r

要进一步减少指令的数量，可以使用指针递增，例如Godbolt-Link（但是这会增加循环内的指令）。

使用AVX512生成遮罩的BMI

2 个答案: