Question

我试图通过利用 System.Numerics 对float[]数组执行SIMD操作来提高.NET Core库的性能。 System.Numerics现在有点时髦，我很难理解它如何带来好处。我知道，为了看到SIMD的性能提升，必须将其分摊到大量计算中，但是鉴于当前是如何实现的，因此我不知道该如何实现。

Vector<float>需要8个float值-不多也不少。如果我想对一组小于8的值执行SIMD操作，则必须将这些值复制到新数组中，并用零填充余数。如果一组值大于8，则需要复制这些值，用零填充以确保其长度与8的倍数对齐，然后在它们上循环。长度要求是有道理的，但是对此加以妥协似乎是抵消任何性能提升的好方法。

我编写了一个测试包装类，该类负责填充和对齐：

public readonly struct VectorWrapper<T>
  where T : unmanaged
{

  #region Data Members

  public readonly int Length;
  private readonly T[] data_;

  #endregion

  #region Constructor

  public VectorWrapper( T[] data )
  {
    Length = data.Length;

    var stepSize = Vector<T>.Count;
    var bufferedLength = data.Length - ( data.Length % stepSize ) + stepSize;

    data_ = new T[ bufferedLength ];
    data.CopyTo( data_, 0 );
  }

  #endregion

  #region Public Methods

  public T[] ToArray()
  {
    var returnData = new T[ Length ];
    data_.AsSpan( 0, Length ).CopyTo( returnData );
    return returnData;
  }

  #endregion

  #region Operators

  public static VectorWrapper<T> operator +( VectorWrapper<T> l, VectorWrapper<T> r )
  {
    var resultLength = l.Length;
    var result = new VectorWrapper<T>( new T[ l.Length ] );

    var lSpan = l.data_.AsSpan();
    var rSpan = r.data_.AsSpan();

    var stepSize = Vector<T>.Count;
    for( var i = 0; i < resultLength; i += stepSize )
    {
      var lVec = new Vector<T>( lSpan.Slice( i ) );
      var rVec = new Vector<T>( rSpan.Slice( i ) );
      Vector.Add( lVec, rVec ).CopyTo( result.data_, i );
    }

    return result;
  }

  #endregion

}

此包装器可以解决问题。计算似乎正确，并且Vector<T>不会抱怨元素的输入计数。但是，它的速度是简单的基于范围的for循环的两倍。

这里是基准：

  public class VectorWrapperBenchmarks
  {

    #region Data Members

    private static float[] arrayA;
    private static float[] arrayB;

    private static VectorWrapper<float> vecA;
    private static VectorWrapper<float> vecB;

    #endregion

    #region Constructor

    public VectorWrapperBenchmarks()
    {
      arrayA = new float[ 1024 ];
      arrayB = new float[ 1024 ];
      for( var i = 0; i < 1024; i++ )
        arrayA[ i ] = arrayB[ i ] = i;

      vecA = new VectorWrapper<float>( arrayA );
      vecB = new VectorWrapper<float>( arrayB );
    }

    #endregion

    [Benchmark]
    public void ForLoopSum()
    {
      var aA = arrayA;
      var aB = arrayB;
      var result = new float[ 1024 ];

      for( var i = 0; i < 1024; i++ )
        result[ i ] = aA[ i ] + aB[ i ];
    }

    [Benchmark]
    public void VectorSum()
    {
      var vA = vecA;
      var vB = vecB;
      var result = vA + vB;
    }

  }

结果：

|     Method |       Mean |    Error |   StdDev |
|----------- |-----------:|---------:|---------:|
| ForLoopSum |   757.6 ns | 15.67 ns | 17.41 ns |
|  VectorSum | 1,335.7 ns | 17.25 ns | 16.13 ns |

我的处理器（i7-6700k）不支持SIMD硬件加速，它以64位发布模式运行，并在.NET Core 2.2（Windows 10）上启用了优化。

我意识到Array.CopyTo()可能是导致性能下降的很大一部分，但是似乎没有简便的方法来使填充/对齐方式和数据集与{{1 }}的规范。

我对SIMD相当陌生，并且我了解C＃实现仍处于早期阶段。但是，我看不出有一种从中受益的明确方法，尤其是考虑到将其扩展到更大的数据集时，它是最有益的。

有更好的方法吗？

Answer 1

我不确定您所说的“笨拙”是什么意思，但是它现在可以完美使用（尽管它可能会表现得更好）。使用您的案例（总计浮点数），使用Haswell较旧的CPU可以获得10003项以下结果：

BenchmarkDotNet=v0.11.5, OS=Windows 10.0.17134.706 (1803/April2018Update/Redstone4)
Intel Core i7-4500U CPU 1.80GHz (Haswell), 1 CPU, 4 logical and 2 physical cores
Frequency=1753753 Hz, Resolution=570.2057 ns, Timer=TSC
.NET Core SDK=2.1.602
  [Host]     : .NET Core 2.1.9 (CoreCLR 4.6.27414.06, CoreFX 4.6.27415.01), 64bit RyuJIT
  DefaultJob : .NET Core 2.1.9 (CoreCLR 4.6.27414.06, CoreFX 4.6.27415.01), 64bit RyuJIT


|   Method |      Mean |     Error |    StdDev |
|--------- |----------:|----------:|----------:|
| ScalarOp | 12.974 us | 0.2579 us | 0.2533 us |
| VectorOp |  3.956 us | 0.0570 us | 0.0505 us |
| CopyData |  1.455 us | 0.0273 us | 0.0228 us |

将数据从矢量复制回数组的速度相对较慢，因为它几乎消耗了一半的时间。但仍然：矢量化运算的总时间不到标量运算的三分之一...

看一下反汇编（BenchmarkDotNet会生成它），似乎内存复制操作使用了（较慢的）未对齐的op。可能会在将来的.Net Core版本中对此进行研究。

通过使用Span<T>和MemoryMarshal.Cast将结果向量直接放入Span，可以完全避免复制操作。它将求和时间减少了大约。与复制相比，三分之一（以下未显示）。

作为参考，基准代码为（floatSlots = Vector<float>.Count；在基准运行之前创建数组并填充数据），并且不一定是最佳解决方案：

        [Benchmark]
        public void ScalarOp()
        {            
            for (int i = 0; i < data1.Length; i++)
            {
                sums[i] = data1[i] + data2[i];
            }            
        }

        [Benchmark]
        public void VectorOp()
        {                      
            int ceiling = data1.Length / floatSlots * floatSlots;
            int leftOver = data1.Length % floatSlots;
            for (int i = 0; i < ceiling; i += floatSlots)
            {                
                Vector<float> v1 = new Vector<float>(data1, i);                
                Vector<float> v2 = new Vector<float>(data2, i);                
                (v1 + v2).CopyTo(sums, i); 

            }
            for (int i = ceiling; i < data1.Length; i++)
            {
                sums[i] = data1[i] + data2[i];
            }
        }

        [Benchmark]
        public void CopyData()
        {                        
            Vector<float> v1 = new Vector<float>(8);
            int ceiling = data1.Length / floatSlots * floatSlots;
            int leftOver = data1.Length % floatSlots;
            for (int i = 0; i < ceiling; i += floatSlots)
            {                               
                (v1).CopyTo(sums, i);
            }
            for(int i = ceiling; i < data1.Length; i++)
            {
                sums[i] = 8;
            }                
        }

编辑：已修正标量基准，因为它与矢量相同，并增加了对Span和MemoryMarshal.Cast的提及。

大数据集上的System.Numerics.Vector <t>

1 个答案: