FMAF怪异的表现

fmaf weird performance

本文关键字:FMAF      更新时间:2023-10-16

我使用fmaf功能在*+的使用情况下经历了巨大的性能降低。我在两台Linux机器上,使用G 4.4.3和G 4.6.3

在两台不同的机器上,如果填充myOut向量而没有使用fmaf

带有G 4.6.3的服务器和Intel(R)Xeon(R)CPU E5-2650 @ 2.00GHz

$ ./a.out fmaf
Time: 1.55008 seconds.
$ ./a.out muladd
Time: 0.403018 seconds.

带有G 4.4.3的服务器和Intel(R)Xeon(R)CPU X5650 @ 2.67GHz

$ ./a.out fmaf
Time: 0.547544 seconds.
$ ./a.out muladd
Time: 0.34955 seconds.

不应该使用fmaf版本(以避免额外的综述,然后更精确)吗?

#include <stddef.h>
#include <iostream>
#include <math.h>
#include <string.h>
#include <stdlib.h>
#include <sys/time.h>
int main(int argc, char** argv) {
  if (argc != 2) {
    std::cout << "missing parameter: 'muladd' or 'fmaf'"
              << std::endl;
    exit(-1);
  }
  struct timeval start,stop,result;
  const size_t mySize = 1e6*100;
  float* myA = new float[mySize];
  float* myB = new float[mySize];
  float* myC = new float[mySize];
  float* myOut = new float[mySize];
  gettimeofday(&start,NULL);
  if (!strcmp(argv[1], "muladd")) {
    for (size_t i = 0; i < mySize; ++i) {
      myOut[i] = myA[i]*myB[i]+myC[i];
    }
  } else if (!strcmp(argv[1], "fmaf")) {
    for (size_t i = 0; i < mySize; ++i) {
      myOut[i] = fmaf(myA[i], myB[i], myC[i]);
    }
  } else {
    std::cout << "specify 'muladd' or 'fmaf'" << std::endl;
    exit(-1);
  }
  gettimeofday(&stop,NULL);
  timersub(&stop,&start,&result);
  std::cout << "Time: " <<  result.tv_sec + result.tv_usec/1000.0/1000.0
            << " seconds." << std::endl;
  delete []myA;
  delete []myB;
  delete []myC;
  delete []myOut;
}

您问题的答案称为 vectorisation 。比较使用g++ -O3 -S编译时,由G 4.4.6制成的汇编代码:

muladd零件:

.L10:
    movaps  %xmm2, %xmm0
    movaps  %xmm2, %xmm1
    movlps  (%rbx,%rax), %xmm0
    movlps  (%r12,%rax), %xmm1
    movhps  8(%rbx,%rax), %xmm0
    movhps  8(%r12,%rax), %xmm1
    mulps   %xmm1, %xmm0
    movaps  %xmm2, %xmm1
    movlps  0(%rbp,%rax), %xmm1
    movhps  8(%rbp,%rax), %xmm1
    addps   %xmm1, %xmm0
    movaps  %xmm0, 0(%r13,%rax)
    addq    $16, %rax
    cmpq    $400000000, %rax
    jne     .L10

所有这些*ps通过包装的单个精度数字执行操作。这些是SSE说明,因此每个包由每个数组的4个连续元素组成。

实现fmaf版本的循环是:

.L14:
    movss   (%rbx,%r14,4), %xmm0
    movss   0(%rbp,%r14,4), %xmm2
    movss   (%r12,%r14,4), %xmm1
    call    fmaf
    movss   %xmm0, 0(%r13,%r14,4)
    addq    $1, %r14
    cmpq    $100000000, %r14
    jne     .L14

此处使用标量SSE指令在一次>和上移动数据一个数组元素>在每次迭代上都对fmaf进行函数调用。

循环的向量部分更长,但执行4倍的迭代。

据我所知,

intel xeon处理器不支持融合的 - 添加添加指令。Wikipedia表示,这些可在AMD PITRIVER和BULLDOZER ARCERTECTER上找到,并且直到2013/14年的Haswell/Broadwell才会介绍它们。因此,如果没有直接的指令支持,则可能将fmaf功能汇编为模拟指令的实际功能调用。因此,有函数调用开销以及实际乘法并添加说明。非fmaf选项会产生内联乘积并添加指令,而没有函数调用开销,因此它的速度要快得多。如有疑问,请使用g++ -S,并检查生成的汇编代码。

此外,内联代码可以更好地优化甚至矢量化(如另一个答案中所述),但当然,其结果取决于您在编译中传递的编译器和您的确切标志的结果。

相关文章: