使用宽对齐的未对齐数据访问进行矢量化/优化循环（特别是Xeon Phi）

这是我向Stackoverflow社区提问的第一次经历 . 对不起，如果我的问题不符合论坛的风格/大小 - 将随着经验而改善 .

我正在尝试使用英特尔编译器14.0.1在C中对一个循环进行矢量化，以便更好地利用宽512位寄存器来优化英特尔至强融核的速度 . （受https://software.intel.com/en-us/articles/data-alignment-to-assist-vectorization的启发）以及Google上的众多参考文献，数据对齐在Xeon Phi上比在现代Xeon处理器上更为重要，现代Xeon处理器仍然非常重要（其中一个在第18页的一个很好的概述中） .

这个问题有点类似于unaligned memory accesses，但涵盖了一个更简单/更广泛的例子，并希望有一个更明确的答案 .

一段代码示例：

#include <malloc.h>


void func(float *const y, float  *const x, const int & N, const float & a0, const float & a1, const float & a2, const float & a3)
{
    __assume(N%16 == 0); // aim is to let compiler know that there is no residual loop (not sure if it works as expected, though)

    int i;
#pragma simd // to assume no vector dependencies
#pragma loop count min=16, avg=80, max=2048 // to let compiler know for which cases to optimize (not sure if it is beneficial)
//#pragma vector aligned // to let compiler know that all the arrays are aligned... but not in this case
    for (i = 0; i < N; i++)
    {
        y[i] = fmax(x[i + 1] * a0 + x[i] * a1, x[i] * a2 + a3);
    }

}

int main{

...
//y and x are _mm_malloced with 64 byte alignment, e.g.

float * y = (float *)_aligned_malloc(int_sizeBytes_x_or_y + 64, 64); //+64 for padding to enable vectorisation without using mask on the residual loop
float * x = (float *)_aligned_malloc(int_sizeBytes_x_or_y + 64, 64);
...
//M = 160 to 2048, more often 160 (a multiple of 16 - floats per register)
for (int k = 0; k < M; k++)
{
...
//int N = ceil(k / 16.0) * 16; // to have no residual loop, not sure if beneficial
...


func(y, x, N, a0, a1, a2, a3);


...
}
...
_aligned_free(x);
_aligned_free(y);
}

func（）在体内被称为150-2000次，为x和y重新使用预先分配的空间（以避免常量内存分配，这可能在Phi上比在普通Xeon上相对更耗时） . 身体在每个核心上重复数百万次 .

问题是x [i]和x [i 1]对于512位向量引擎本质上是不对齐的，由于x [i 1]部分的未对齐存储器访问，使得向量化次优 .

在k循环之前预先分配一个64字节对齐的_x一次是否有任何好处，在k循环的每次迭代中使用memcpy来填充预分配的内存x的前向值？ （相当于 for (int j=0; j<N; j++) _x[0]=x[i+1]; with memcpy ）这样#pragma vector aligned可以在func（）里面用 y[i] = fmax(_x[i] * a0 + x[i] * a1, x[i] * a2 + a3); ？

是否有一些很好的方法可以有效地处理这个相当普遍的标准问题，以充分利用矢量引擎？

关于如何优化宽寄存器处理器的矢量化的任何建议也是非常受欢迎的（这似乎是一个非常有趣的主题，英特尔最近的趋势是增强数据以及任务并行性）