gcc中的数组与指针自动向量化

Question

我正在尝试使用g ++ 5.4（ -ftree-vectorize ）进行自动矢量-ftree-vectorize 。 我注意到下面代码中的数组版本导致编译器错过内部循环中的向量化机会，导致与指针版本相比显着的性能差异。 在这种情况下，有什么可以帮助编译器的吗？

void floydwarshall(float* mat, size_t n) {
#if USE_POINTER
    for (int k = 0; k < n; ++k) {
        for (int i = 0; i < n; ++i) {
            auto v = mat[i*n + k];
            for (int j = 0; j < n; ++j) {
                auto val = v + mat[k*n+j];
                if (mat[i*n + j] > val) {
                    mat[i*n + j] = val;
                }
            }
        }
    }
#else // USE_ARRAY
    typedef float (*array)[n];
    array m = reinterpret_cast<array>(mat);
    for (int k = 0; k < n; ++k) {
        for (int i = 0; i < n; ++i) {
            auto v = m[i][k];
            for (int j = 0; j < n; ++j) {
                auto val = v + m[k][j];
                if (m[i][j] > val) {
                    m[i][j] = val;
                }
            }
        }
    }
#endif
}

Answer 1

两个版本都使用g ++ 5.4 -O3 -march=haswell 进行矢量化，在内循环中使用vcmpltps / vmaskmovps，因为Marc指出了这一点。

如果你不让编译器使用AVX指令，那将会更难。 但是如果我只使用-O3 ，那么我根本看不到任何一个版本矢量化（因此只有SSE2可用，因为它是x86-64的基线）。 所以你的原始问题是基于我无法重现的结果。

将if（）更改为三元运算符（因此代码始终存储到数组中）可让编译器加载/ MINPS /无条件存储。 如果您的矩阵不适合缓存，这会占用大量内存; 也许你可以用不同的方式安排你的循环？ 或许不是，因为需要m[i][k] ，并且我认为事情发生的顺序很重要。

如果更新非常罕见并且脏数据的回写导致内存瓶颈，那么如果没有修改任何向量元素，甚至可能值得分支以避免存储。

---

这是一个矢量化的数组版本 ，即使只有SSE2也是如此。 我添加了代码来告诉编译器输入是对齐的，大小是8的倍数（每个AVX向量的浮点数）。 如果您的真实代码无法做出这些假设，那么请将该部分删除。 它使矢量化部分更容易找到，因为它没有隐藏在标量简介/清理代码中。 （使用-O2 -ftree-vectorize不会以这种方式完全展开清理代码，但-O3 -O2 -ftree-vectorize 。）

我注意到没有AVX，gcc仍然使用未对齐的加载但对齐的存储。 也许它没有意识到如果m[i][j]对齐，大小是8的倍数应该使m[k][j]对齐？ 这可能是指针版本和数组版本之间的差异。

Godbolt编译器资源管理器上的代码

void floydwarshall_array_unconditional(float* mat, size_t n) {

    // try to tell gcc that it doesn't need scalar intro/outro code
    // The vectorized inner loop isn't particularly different without these, but it means less wading through scalar cleanup code (and less bloat if you can use this in your real code).

    // works with gcc6, doesn't work with gcc5.4
    mat = (float*)__builtin_assume_aligned(mat, 32);
    n /= 8;
    n *= 8;         // code is simpler if matrix size is always a multiple of 8 (floats per AVX vector)

    typedef float (*array)[n];
    array m = reinterpret_cast<array>(mat);

    for (size_t k = 0; k < n; ++k) {
        for (size_t i = 0; i < n; ++i) {
            auto v = m[i][k];
            for (size_t j = 0; j < n; ++j) {
                auto val = v + m[k][j];
                m[i][j] = (m[i][j]>val) ? val : m[i][j];   // Marc's suggested change: enables vectorization with unconditional stores.
            }
        }
    }
}

gcc5.4无法避免向量化部分周围的标量介绍/清理代码，但gcc6.2可以。 两个编译器版本的矢量化部分基本相同。

## The inner-most loop (with gcc6.2 -march=haswell -O3)
.L5:
    vaddps  ymm0, ymm1, YMMWORD PTR [rsi+rax]
    vminps  ymm0, ymm0, YMMWORD PTR [rdx+rax]     #### Note use of minps and unconditional store, enabled by using the ternary operator instead of if().
    add     r14, 1
    vmovaps YMMWORD PTR [rdx+rax], ymm0
    add     rax, 32
    cmp     r14, r13
    jb      .L5

外面的下一个循环执行一些整数计数器检查（使用一些setcc的东西），并执行vmovss xmm1, DWORD PTR [rax+r10*4]和单独的vbroadcastss ymm1, xmm1 。 据推测，它跳转到的标量清理不需要广播，而且即使不需要广播部分，gcc也不知道将VBROADCASTSS用作负载会更便宜。