OpenMP atomic _mm_add_pd

OpenMP atomic _mm_add_pd

本文关键字：pd add mm OpenMP atomic      更新时间：2023-10-16

我试图使用OpenMP对已经向量化的代码进行并行化，但问题是我使用一个XMM寄存器作为外部"变量"，我增加每个循环。现在我使用的是shared子句

__m128d xmm0 = _mm_setzero_pd();
__declspec(align(16)) double res[2];
#pragma omp parallel for shared(xmm0)
for (int i = 0; i < len; i++)
{
    __m128d xmm7 = ... result of some operations
    xmm0 = _mm_add_pd(xmm0, xmm7);
}
_mm_store_pd(res, xmm0);
double final_result = res[0] + res[1];

，因为atomic操作不支持(在VS2010中)

__m128d xmm0 = _mm_setzero_pd();
__declspec(align(16)) double res[2];
#pragma omp parallel for
for (int i = 0; i < len; i++)
{
    __m128d xmm7 = ... result of some operations
    #pragma omp atomic
    xmm0 = _mm_add_pd(xmm0, xmm7);
}
_mm_store_pd(res, xmm0);
double final_result = res[0] + res[1];

有谁知道一个聪明的解决方法吗?

编辑:我也试过使用并行模式库刚才:

__declspec(align(16)) double res[2];
combinable<__m128d> xmm0_comb([](){return _mm_setzero_pd();});
parallel_for(0, len, 1, [&xmm0_comb, ...](int i)
{
    __m128d xmm7 = ... result of some operations
    __m128d& xmm0 = xmm0_comb.local();
    xmm0 = _mm_add_pd(xmm0, xmm7);
});
__m128d xmm0 = xmm0_comb.combine([](__m128d a, __m128d b){return _mm_add_pd(a, b);});
_mm_store_pd(res, xmm0);
double final_result = res[0] + res[1];

但结果令人失望

你解决问题的方法不对。您应该使用约简而不是原子操作:

这是一个更好的方法:

double sum = 0;
#pragma omp parallel for reduction(+:sum)
for (int i = 0; i < len; i++)
{
    __m128d xmm7;// = ... result of some operations
    //  Collapse to a "double".
    _declspec(align(16)) double res[2];
    _mm_store_pd(res, xmm7);
    //  Add to reduction variable.
    sum += res[0] + res[1];
}
double final_result = sum;

约简本质上是一种使用关联操作(如+)将所有内容"缩减"为单个变量的操作。

如果你正在做一个还原，总是尝试使用一个实际的还原方法。不要试图用原子操作或临界区来欺骗它。

这样做的原因是原子/临界区方法本质上是不可扩展的，因为它们维护一个长关键路径数据依赖。适当的约简方法可以将此关键路径降低到log(# of threads)。

唯一的缺点当然是它破坏了浮点结合性。如果这很重要，那么您基本上只能按顺序对每个迭代求和。

你想要的是降价。如果您的编译器支持它(gcc支持)，您可以将其作为omp缩减来执行，或者您可以通过将每个线程的总和添加到一个私有的xmm中来自己执行omp缩减。下面是一个简单的版本:

#include <emmintrin.h>
#include <omp.h>
#include <stdio.h>

int main(int argc, char **argv) {
    const int NTHREADS=8;
    const int len=100;
    __m128d xmm0[NTHREADS];
    __m128d xmmreduction = _mm_setzero_pd();
    #pragma omp parallel for num_threads(NTHREADS)
    for (int i=0; i<NTHREADS; i++)
        xmm0[i]= _mm_setzero_pd();
    __attribute((aligned(16))) double res[2];
    #pragma omp parallel num_threads(NTHREADS) reduction(+:xmmreduction)
    {
        int tid = omp_get_thread_num();
        #pragma omp for
        for (int i = 0; i < len; i++)
        {
            double d = (double)i;
            __m128d xmm7 = _mm_set_pd( d, 2.*d );
            xmm0[tid] = _mm_add_pd(xmm0[tid], xmm7);
            xmmreduction = _mm_add_pd(xmmreduction, xmm7);
        }
    }
    for (int i=1; i<NTHREADS; i++)
        xmm0[0] = _mm_add_pd(xmm0[0], xmm0[i]);
    _mm_store_pd(res, xmm0[0]);
    double final_result = res[0] + res[1];
    printf("Expected result   = %fn", 3.0*(len-1)*(len)/2);
    printf("Calculated result = %lfn", final_result);
    _mm_store_pd(res, xmmreduction);
    final_result = res[0] + res[1];
    printf("Calculated result (reduction) = %lfn", final_result);
    return 0;
}

在回答我问题的人的大力帮助下，我想出了这个:

double final_result = 0.0;
#pragma omp parallel reduction(+:final_result)
{
    __declspec(align(16)) double r[2];
    __m128d xmm0 = _mm_setzero_pd();
    #pragma omp for
    for (int i = 0; i < len; i++)
    {
        __m128d xmm7 = ... result of some operations
        xmm0 = _mm_add_pd(xmm0, xmm7);
    }
    _mm_store_pd(r, xmm0);
    final_result += r[0] + r[1];
}

它基本上将坍缩和还原分离，性能很好。

非常感谢所有帮助过我的人!

我猜你不能在编译器中添加自己的内在函数，而MS编译器决定跳过内联汇编器。我不确定是否有一个简单的解决方案。

相关文章：