我正在尝试使用256位向量(Intel intrinsics - AVX)来提高代码的性能 .
我有一个支持SSE1到SSE4.2和AVX / AVX2扩展的I7 Gen.4(Haswell架构)处理器 .
这是我正在尝试增强的代码片段:
/* code snipet */
kfac1 = kfac + factor; /* 7 cycles for 7 additions */
kfac2 = kfac1 + factor;
kfac3 = kfac2 + factor;
kfac4 = kfac3 + factor;
kfac5 = kfac4 + factor;
kfac6 = kfac5 + factor;
kfac7 = kfac6 + factor;
k1fac1 = k1fac + factor1; /* 7 cycles for 7 additions */
k1fac2 = k1fac1 + factor1;
k1fac3 = k1fac2 + factor1;
k1fac4 = k1fac3 + factor1;
k1fac5 = k1fac4 + factor1;
k1fac6 = k1fac5 + factor1;
k1fac7 = k1fac6 + factor1;
k2fac1 = k2fac + factor2; /* 7 cycles for 7 additions */
k2fac2 = k2fac1 + factor2;
k2fac3 = k2fac2 + factor2;
k2fac4 = k2fac3 + factor2;
k2fac5 = k2fac4 + factor2;
k2fac6 = k2fac5 + factor2;
k2fac7 = k2fac6 + factor2;
/* code snipet */
从英特尔手册中,我发现了这一点 .
-
整数加法ADD需要1个周期(延迟) .
-
8个整数(32位)的向量也需要1个周期 .
所以我试过这样做:
fac = _mm256_set1_epi32 (factor )
fac1 = _mm256_set1_epi32 (factor1)
fac2 = _mm256_set1_epi32 (factor2)
v1 = _mm256_set_epi32 (0,kfac6,kfac5,kfac4,kfac3,kfac2,kfac1,kfac)
v2 = _mm256_set_epi32 (0,k1fac6,k1fac5,k1fac4,k1fac3,k1fac2,k1fac1,k1fac)
v3 = _mm256_set_epi32 (0,k2fac6,k2fac5,k2fac4,k2fac3,k2fac2,k2fac1,k2fac)
res1 = _mm256_add_epi32 (v1,fac) ////////////////////
res2 = _mm256_add_epi32 (v2,fa1) // just 3 cycles //
res3 = _mm256_add_epi32 (v3,fa2) ////////////////////
但问题是这些因素将被用作表索引(table [kfac] ...) . 所以我必须再次将因子提取为单独的整数 . 我想知道是否有任何可行的方法呢?
1 回答
智能编译器可以将
table+factor
放入寄存器并使用索引寻址模式将table+factor+k1fac6
作为地址 . 检查asm,如果编译器没有为您执行此操作,请尝试更改源以手持编译器:但要回答你问的问题:
当你有许多独立的增加时,延迟并不是什么大问题 . Haswell上每个时钟4个标量
add
指令的吞吐量更加相关 .如果
k1fac2
等已经在连续的内存中,那么使用SIMD可能是值得的 . 否则,所有的混洗和数据传输都会使它们进入/退出向量寄存器,这使得它绝对不值得 . (即东西编译器发出以实现_mm256_set_epi32 (0,kfac6,kfac5,kfac4,kfac3,kfac2,kfac1,kfac)
.您可以通过对表加载使用AVX2集合来避免将索引返回到整数寄存器 . 但哈斯韦尔的聚会很慢,所以可能不值得 . 也许在Broadwell上值得 .
在Skylake上,聚合速度很快,所以如果你能用你的LUT结果做任何事情就可以了 . 如果需要将所有收集结果提取回单独的整数寄存器,则可能不值得 .
If you did need to extract 8x 32-bit integers from a __m256i into integer registers ,您有三种主要的策略选择:
向量存储到tmp数组和标量加载
ALU随机播放指令,如
pextrd
(_mm_extract_epi32
) . 使用_mm256_extracti128_si256
将高通道变为单独的__m128i
.两种策略的混合(例如,在低半部分使用ALU内容时将高128存储到内存中) .
根据周围的代码,这三个中的任何一个都可能是Haswell的最佳选择 .
pextrd r32, xmm, imm8
在Haswell上是2 uops,其中一个需要在port5上使用shuffle单元 . 这是一个很多的随机微博,所以如果你的代码在L1d缓存吞吐量上存在瓶颈,那么纯ALU策略将会很好 . (与内存带宽不同) .movd r32, xmm
只有1个uop,并且编译器确实知道在编译_mm_extract_epi32(vec, 0)
时使用它,但你也可以编写int foo = _mm_cvtsi128_si32(vec)
使其明确并提醒自己可以更有效地访问底部元素 .存储/重新加载具有良好的吞吐量 . 包括Haswell在内的Intel SnB系列CPU每个时钟可以运行两个负载,IIRC存储转发可以从一个对齐的32字节存储器工作到它的任何4字节元素 . 但要确保它是一个对齐的商店,例如进入
_Alignas(32) int tmp[8]
,或进入__m256i
和int
数组之间的并集 . 您仍然可以存储到int
数组而不是__m256i
成员,以避免在仍然使数组对齐时出现联合类型 - 但是最简单的方法是使用C 11alignas
或C11_Alignas
.但是,存储/重新加载的问题是延迟 . 在存储数据准备好后,即使第一个结果也不会准备好6个周期 .
混合策略为您提供两全其美:ALU提取前2或3个元素,允许执行任何代码使用它们,隐藏存储/重新加载的存储转发延迟 .
您可能会发现使用
pextrd
执行前4个元素是最佳的,在这种情况下,您只需要存储/重新加载上部通道 . 使用vextracti128 [mem], ymm, 1
:使用较少的较大元素(例如64位整数),纯ALU策略更具吸引力 . 6周期向量存储/整数重载延迟比使用ALU操作获得所有结果所需的时间更长,但如果存在大量指令级并行性并且您在ALU吞吐量上存在瓶颈,则存储/重新加载仍然可能很好而不是延迟 .
随着更小的元素(8或16位),存储/重新加载肯定是有吸引力的 . 使用ALU指令提取前2到4个元素仍然很好 . 甚至可能
vmovd r32, xmm
然后用整数选择那个shift / mask指令很好 .您对矢量版本的循环计数也是假的 . 这三个
_mm256_add_epi32
操作是独立的,Haswell可以并行运行两个vpaddd
指令 . (Skylake可以在一个周期内运行所有三个,每个周期有1个周期延迟 . )超标量流水线无序执行意味着延迟和吞吐量之间存在很大差异,跟踪依赖链非常重要 . 有关更多优化指南,请参阅x86标记wiki中的http://agner.org/optimize/和其他链接 .