用于浮点阈值操作的 SIMD
SIMD for float threshold operation
我想使一些矢量计算更快,我相信用于浮点比较和操作的 SIMD 指令会有所帮助,以下是操作:
void func(const double* left, const double* right, double* res, const size_t size, const double th, const double drop) {
for (size_t i = 0; i < size; ++i) {
res[i] = right[i] >= th ? left[i] : (left[i] - drop) ;
}
}
主要是,如果该值高于threshold
right
它会将left
值降低drop
。
大小约为 128-256(不是那么大),但计算被大量调用。
我尝试从循环展开开始,但并没有赢得很多性能,但可能需要一些编译指令。
您能否对代码提出一些改进建议以加快计算速度?
Clang已经按照Soonts建议的手动方式自动矢量化了。在指针上使用__restrict
,这样它就不需要用于某些数组之间重叠的回退版本。 它仍然会自动矢量化,但它使函数膨胀。
不幸的是,gcc 只用-ffast-math
自动矢量化。 事实证明,只需要-fno-trapping-math
:这通常是安全的,特别是如果您不使用fenv
访问权限来取消屏蔽任何FP异常(feenableexcept
)或查看MXCSR粘性FP异常标志(fetestexcept
)。
使用该选项,GCC 也将(v)pblendvpd
与-march=nehalem
或-march=znver1
一起使用。在Godbolt上看到它
此外,您的 C 函数已损坏。th
和drop
是标量双精度,但您将它们声明为const double *
AVX512F可以让您进行!(right[i] >= thresh)
比较并使用生成的掩码进行合并掩码减法。
谓词为真的元素将获得left[i] - drop
,其他元素将保留其left[i]
值,因为您将信息合并为left
值的向量。
不幸的是,带有-march=skylake-avx512
的GCC使用正常的vsubpd
,然后使用单独的vmovapd zmm2{k1}, zmm5
进行混合,这显然是一个错过的优化。 混合目标已经是 SUB 的输入之一。
将AVX512VL用于 256 位矢量(以防程序的其余部分无法有效地使用 512 位,因此您不会降低涡轮增压时钟速度):
__m256d left = ...;
__m256d right = ...;
__mmask8 cmp = _mm256_cmp_pd_mask(right, set1(th), _CMP_NGE_UQ);
__m256d res = _mm256_mask_sub_pd (left, cmp, left, set1(drop));
所以(除了加载和存储)它是 2 条带有 AVX512F/VL 的指令。
如果您不需要版本的特定 NaN 行为,GCC 也可以自动矢量化
而且它对所有编译器都更有效,因为你只需要一个 AND,而不是变量混合。因此,仅使用 SSE2 会更好,并且在大多数 CPU 上也更好,即使它们确实支持 SSE4.1blendvpd
,因为该指令效率不高。
您可以根据比较结果从left[i]
中减去0.0
或drop
。
根据比较结果生成0.0
或常量非常有效:只需一条andps
指令。 (0.0
的位模式为全零,SIMD 比较生成的全 1 位或全 0 位的向量。 所以 AND 保留旧值或将其归零。
我们也可以加-drop
而不是减去drop
. 这需要对输入进行额外的否定,但使用 AVX 允许vaddpd
的内存源操作数。 不过,GCC 选择使用索引寻址模式,因此这实际上无助于减少英特尔 CPU 上的前端 uop 计数;它将"层压"。 但即使有-ffast-math
,gcc 也不会自行进行此优化以允许折叠负载。 (不过,除非我们展开循环,否则不值得执行单独的指针增量。
void func3(const double *__restrict left, const double *__restrict right, double *__restrict res,
const size_t size, const double th, const double drop)
{
for (size_t i = 0; i < size; ++i) {
double add = right[i] >= th ? 0.0 : -drop;
res[i] = left[i] + add;
}
}
GCC 9.1 的内部循环(没有任何-march
选项,也没有-ffast-math
),来自上面的 Godbolt 链接:
# func3 main loop
# gcc -O3 -march=skylake (without fast-math)
.L33:
vcmplepd ymm2, ymm4, YMMWORD PTR [rsi+rax]
vandnpd ymm2, ymm2, ymm3
vaddpd ymm2, ymm2, YMMWORD PTR [rdi+rax]
vmovupd YMMWORD PTR [rdx+rax], ymm2
add rax, 32
cmp r8, rax
jne .L33
或者普通的SSE2版本有一个内部循环,与left - zero_or_drop
而不是left + zero_or_minus_drop
基本相同,所以除非你能承诺编译器16字节对齐,或者你正在制作AVX版本,否则否定drop
只是额外的开销。
否定drop
从内存中获取一个常量(到 XOR 符号位),这是此函数需要的唯一静态常量,因此对于循环运行次数不多的情况,值得考虑权衡。 (除非th
或drop
也是内联后的编译时常量,并且无论如何都会被加载。 或者特别是如果-drop
可以在编译时计算。 或者,如果可以让程序使用负drop
。
加法和减法之间的另一个区别是减法不会破坏零的符号。-0.0 - 0.0 = -0.0
,+0.0 - 0.0 = +0.0
。 万一重要。
# gcc9.1 -O3
.L26:
movupd xmm5, XMMWORD PTR [rsi+rax]
movapd xmm2, xmm4 # duplicate th
movupd xmm6, XMMWORD PTR [rdi+rax]
cmplepd xmm2, xmm5 # destroy the copy of th
andnpd xmm2, xmm3 # _mm_andnot_pd
addpd xmm2, xmm6 # _mm_add_pd
movups XMMWORD PTR [rdx+rax], xmm2
add rax, 16
cmp r8, rax
jne .L26
GCC 使用未对齐的负载,因此(没有 AVX)它无法将内存源操作数折叠成cmppd
或subpd
你去吧(未经测试),我试图在评论中解释他们的作用。
void func_sse41( const double* left, const double* right, double* res,
const size_t size, double th, double drop )
{
// Verify the size is even.
// If it's not, you'll need extra code at the end to process last value the old way.
assert( 0 == ( size % 2 ) );
// Load scalar values into 2 registers.
const __m128d threshold = _mm_set1_pd( th );
const __m128d dropVec = _mm_set1_pd( drop );
for( size_t i = 0; i < size; i += 2 )
{
// Load 4 double values into registers, 2 from right, 2 from left
const __m128d r = _mm_loadu_pd( right + i );
const __m128d l = _mm_loadu_pd( left + i );
// Compare ( r >= threshold ) for 2 values at once
const __m128d comp = _mm_cmpge_pd( r, threshold );
// Compute ( left[ i ] - drop ), for 2 values at once
const __m128d dropped = _mm_sub_pd( l, dropVec );
// Select either left or ( left - drop ) based on the comparison.
// This is the only instruction here that requires SSE 4.1.
const __m128d result = _mm_blendv_pd( l, dropped, comp );
// Store the 2 result values
_mm_storeu_pd( res, result );
}
}
如果 CPU 没有 SSE 4.1,代码将崩溃并显示"无效指令"运行时错误。为获得最佳结果,请使用 CPU ID 进行检测以正常失败。我认为现在在 2019 年假设它受到支持是相当合理的,英特尔在 2008 年这样做,AMD 在 2011 年这样做,蒸汽调查显示"96.3%"。如果您想支持较旧的 CPU,可以使用其他 3 条指令(_mm_and_pd、_mm_andnot_pd_mm_or_pd)模拟_mm_blendv_pd。
如果您可以保证数据对齐,则用_mm_load_pd
替换负载会稍微快一些,_mm_cmpge_pd编译成CMPPD https://www.felixcloutier.com/x86/cmppd 可以直接从RAM获取其中一个参数。
潜在地,您可以通过编写AVX版本获得进一步的2倍改进。但我希望即使是 SSE 版本也比你的代码更快,它每次迭代处理 2 个值,并且循环内部没有条件。如果你运气不好,AVX会变慢,许多CPU需要一些时间来打开他们的AVX单元,需要数千个周期。在通电之前,AVX 代码运行速度非常慢。
您可以使用 GCC 和 Clang 的向量扩展来实现三元选择函数(参见 https://stackoverflow.com/a/48538557/2542702)。
#include <stddef.h>
#include <inttypes.h>
#if defined(__clang__)
typedef double double4 __attribute__ ((ext_vector_type(4)));
typedef int64_t long4 __attribute__ ((ext_vector_type(4)));
#else
typedef double double4 __attribute__ ((vector_size (sizeof(double)*4)));
typedef int64_t long4 __attribute__ ((vector_size (sizeof(int64_t)*4)));
#endif
double4 select(long4 s, double4 a, double4 b) {
double4 c;
#if defined(__GNUC__) && !defined(__INTEL_COMPILER) && !defined(__clang__)
c = s ? a : b;
#else
for(int i=0; i<4; i++) c[i] = s[i] ? a[i] : b[i];
#endif
return c;
}
void func(double* left, double* right, double* res, size_t size, double th, double drop) {
size_t i;
for (i = 0; i<(size&-4); i+=4) {
double4 leftv = *(double4*)&left[i];
double4 rightv = *(double4*)&right[i];
*(double4*)&res[i] = select(rightv >= th, leftv, leftv - drop);
}
for(;i<size; i++) res[i] = right[i] >= th ? left[i] : (left[i] - drop);
}
https://godbolt.org/z/h4OKMl
- 为什么在popback()操作之后,它仍然打印完整的矢量
- 重载操作程序时出错>>用于类中的字符串 memebr
- 对字符串进行位操作
- 我可以在 C++ 中的函数体之外进行操作吗?
- MPI突然停止了对多个核心的操作
- 如何在信号处理程序和普通函数中对全局变量进行互斥读写操作
- 对字符数组中的元素执行逐位操作
- 如何在directx/c++中进行平移/缩放操作
- 逐位操作的隐式类型转换
- 为什么一个向量上的多线程操作很慢
- 排序时无法执行交换操作.我做的时候它会崩溃.为什么
- 位移操作和位掩码未检测到重复字符
- 如何进行特定的位操作?
- 当我们进行一些操作时,应该使用什么'std::string'或'std::stringstream'?
- 用于浮点阈值操作的 SIMD
- C SIMD:位于位和操作后存储UINT64_T值
- 通过内部函数或指令手动控制英特尔 MIC SIMD 操作
- 获取错误 SIMD 操作
- SIMD本质:对齐操作不同于未对齐操作
- 向量化(SIMD)树操作