Question

我已经使用英特尔的SSE内在函数已经有一段时间了，性能有了很好的提升。因此，我期望AVX内在函数能够进一步加速我的程序。不幸的是，直到现在情况并非如此。可能我犯了一个愚蠢的错误，所以如果有人可以帮助我，我将非常感激。

我使用Ubuntu 11.10和g ++ 4.6.1。我用

编译了我的程序（见下文）

g++ simpleExample.cpp -O3 -march=native -o simpleExample

测试系统配有Intel i7-2600 CPU。

这是代表我的问题的代码。在我的系统上，我得到了输出

98.715 ms, b[42] = 0.900038 // Naive
24.457 ms, b[42] = 0.900038 // SSE
24.646 ms, b[42] = 0.900038 // AVX

请注意，仅选择计算sqrt（sqrt（sqrt（x）））以确保内存带宽不限制执行速度;这只是一个例子。

simpleExample.cpp：

#include <immintrin.h>
#include <iostream>
#include <math.h> 
#include <sys/time.h>

using namespace std;

// -----------------------------------------------------------------------------
// This function returns the current time, expressed as seconds since the Epoch
// -----------------------------------------------------------------------------
double getCurrentTime(){
  struct timeval curr;
  struct timezone tz;
  gettimeofday(&curr, &tz);
  double tmp = static_cast<double>(curr.tv_sec) * static_cast<double>(1000000)
             + static_cast<double>(curr.tv_usec);
  return tmp*1e-6;
}

// -----------------------------------------------------------------------------
// Main routine
// -----------------------------------------------------------------------------
int main() {

  srand48(0);            // seed PRNG
  double e,s;            // timestamp variables
  float *a, *b;          // data pointers
  float *pA,*pB;         // work pointer
  __m128 rA,rB;          // variables for SSE
  __m256 rA_AVX, rB_AVX; // variables for AVX

  // define vector size 
  const int vector_size = 10000000;

  // allocate memory 
  a = (float*) _mm_malloc (vector_size*sizeof(float),32);
  b = (float*) _mm_malloc (vector_size*sizeof(float),32);

  // initialize vectors //
  for(int i=0;i<vector_size;i++) {
    a[i]=fabs(drand48());
    b[i]=0.0f;
  }

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// Naive implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  s = getCurrentTime();
  for (int i=0; i<vector_size; i++){
    b[i] = sqrtf(sqrtf(sqrtf(a[i])));
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

// -----------------------------------------------------------------------------
  for(int i=0;i<vector_size;i++) {
    b[i]=0.0f;
  }
// -----------------------------------------------------------------------------

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// SSE2 implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  pA = a; pB = b;

  s = getCurrentTime();
  for (int i=0; i<vector_size; i+=4){
    rA   = _mm_load_ps(pA);
    rB   = _mm_sqrt_ps(_mm_sqrt_ps(_mm_sqrt_ps(rA)));
    _mm_store_ps(pB,rB);
    pA += 4;
    pB += 4;
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

// -----------------------------------------------------------------------------
  for(int i=0;i<vector_size;i++) {
    b[i]=0.0f;
  }
// -----------------------------------------------------------------------------

// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
// AVX implementation
// +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
  pA = a; pB = b;

  s = getCurrentTime();
  for (int i=0; i<vector_size; i+=8){
    rA_AVX   = _mm256_load_ps(pA);
    rB_AVX   = _mm256_sqrt_ps(_mm256_sqrt_ps(_mm256_sqrt_ps(rA_AVX)));
    _mm256_store_ps(pB,rB_AVX);
    pA += 8;
    pB += 8;
  }
  e = getCurrentTime();
  cout << (e-s)*1000 << " ms" << ", b[42] = " << b[42] << endl;

  _mm_free(a);
  _mm_free(b);

  return 0;
}

感谢任何帮助！

Answer 1

这是因为VSQRTPS（AVX指令）在Sandy Bridge处理器上的周期恰好是SQRTPS（SSE指令）的两倍。请参阅Agner Fog的优化指南：instruction tables，第88页。

像平方根和除法这样的指令不会受益于AVX。另一方面，增加，乘法等等。

Answer 2

如果您对提高平方根性能感兴趣，可以使用VRSQRTPS和Newton-Raphson公式代替VSQRTPS：

x0 = vrsqrtps(a)
x1 = 0.5 * x0 * (3 - (a * x0) * x0)

VRSQRTPS本身并不受AVX的影响，但其他计算也是如此。

如果23位的精度足以让你使用它。

Answer 3

根据您的处理器硬件，可以在硬件中将AVX指令模拟为SSE指令。您需要查找处理器的部件号以获得准确的规格，但这是低端和高端英特尔处理器之间的主要差异之一，专用执行单元的数量与硬件仿真的比较。

Answer 4

只是为了完整。如果您的代码中的操作数量有限，那么Newton-Raphson（NR）对分区或平方根等操作的实现将非常有用。这是因为如果您使用这些替代方法，您将在其他端口（例如乘法和加法端口）上产生更大的压力。这基本上是x86架构具有处理这些操作的特殊硬件单元而不是替代软件解决方案（如NR）的原因。我引用Intel 64 and IA-32 Architectures Optimization Reference Manual p.556：

“在某些情况下，当除法或平方根运算是隐藏这些运算的某些延迟的较大算法的一部分时，使用Newton-Raphson的近似可能会降低执行速度。”

在大型算法中使用NR时要小心。实际上，我有关于这一点的硕士论文，我将在这里留下一个链接，以供将来参考，一旦发布。

同样对于人们如何总是想知道某些指令的吞吐量和延迟，请查看IACA。它是英特尔提供的一种非常有用的工具，用于静态分析代码的内核执行性能。

<强>编辑这里是感兴趣的人thesis

的论文链接

使用AVX内在函数代替SSE并不能提高速度 - 为什么？

4 个答案: