为什么AVX点产品比本地C ++代码慢

Question

我有以下AVX和本机代码：

__forceinline double dotProduct_2(const double* u, const double* v)   
{  
    _mm256_zeroupper();   
    __m256d xy          = _mm256_mul_pd(_mm256_load_pd(u), _mm256_load_pd(v));
    __m256d temp        = _mm256_hadd_pd(xy, xy);
    __m128d dotproduct  = _mm_add_pd(_mm256_extractf128_pd(temp, 0), _mm256_extractf128_pd(temp, 1));
    return dotproduct.m128d_f64[0];
}

__forceinline double dotProduct_1(const D3& a, const D3& b)
{
    return a[0] * b[0] + a[1] * b[1] + a[2] * b[2] + a[3] * b[3];
}

以及相应的测试脚本：

std::cout << res_1 << " " << res_2 << " " << res_3 << '\n';
{
    std::chrono::high_resolution_clock::time_point t1 = std::chrono::high_resolution_clock::now();

    for (int i = 0; i < (1 << 30); ++i)
    {
        zx_1 += dotProduct_1(aVx[i % 10000], aVx[(i + 1) % 10000]);
    }
    std::chrono::high_resolution_clock::time_point t2 = std::chrono::high_resolution_clock::now();

    std::cout << "NAIVE : " << std::chrono::duration_cast<std::chrono::milliseconds>(t2 - t1).count() << '\n';
}

{
    std::chrono::high_resolution_clock::time_point t1 = std::chrono::high_resolution_clock::now();
    for (int i = 0; i < (1 << 30); ++i)
    {
        zx_2 += dotProduct_2(&aVx[i % 10000][0], &aVx[(i + 1) % 10000][0]);
    }

    std::chrono::high_resolution_clock::time_point t2 = std::chrono::high_resolution_clock::now();

    std::cout << "AVX : " << std::chrono::duration_cast<std::chrono::milliseconds>(t2 - t1).count() << '\n';
}

std::cout << math::min2(zx_1, zx_2) << " " << zx_1 << " " << zx_2;

好吧，所有数据都以32对齐。（带有__declspec ...的D3和带有_mm_malloc（）的aVx arr。）而且，正如我所看到的，本机变量等于/或比AVX变量更快。 我不明白这是正常行为吗？ 因为我认为AVX是“超级快速” ...如果没有，我如何对其进行优化？ 我使用Arch AVX在MSVC 2015（x64）上进行编译。 另外，我的硬汉是Intel i7 4750HQ（haswell）

Answer 1

vzeroupper和hadd指令会增加过多开销。 编写它的好方法是在循环中进行所有乘法，并在最后只汇总一次结果。 想象一下，您展开原始循环4次并使用4个累加器：

for(i=0; i < (1<<30); i+=4) {
  s0 += a[i+0] * b[i+0];
  s1 += a[i+1] * b[i+1];
  s2 += a[i+2] * b[i+2];
  s3 += a[i+3] * b[i+3];
}
return s0+s1+s2+s3;

现在，只需将展开的循环替换为SIMD mul并添加（甚至可用FMA固有）

Answer 2

使用基本循环进行简单配置不是一个好主意-它通常仅表示您受内存带宽限制，因此测试最终以大约相同的速度进行（内存通常比CPU慢，这基本上就是您要测试的全部内容）在这里） 。

就像其他人所说的那样，您的代码示例不是很好 ，因为您一直在穿越通道（我认为这只是为了找到最快的点积，而不是因为所有点积的总和才是理想的结果？ ） 。 老实说，如果您真的需要一个快速的点积（用于此处显示的AOS数据），我想我更喜欢用VADDPD + VPERMILPD替换VHADDPD （交易了一条额外的指令，使吞吐量提高了一倍，并降低了延迟）

double dotProduct_3(const double* u, const double* v)   
{  
    __m256d dp = _mm256_mul_pd(_mm256_load_pd(u), _mm256_load_pd(v));
    __m128d a = _mm256_extractf128_pd(dp, 0);
    __m128d b = _mm256_extractf128_pd(dp, 1);
    __m128d c = _mm_add_pd(a, b);
    __m128d yy = _mm_unpackhi_pd(c, c);
    __m128d dotproduct  = _mm_add_pd(c, yy);
    return _mm_cvtsd_f64(dotproduct);
}

asm：

dotProduct_3(double const*, double const*):
 vmovapd ymm0,YMMWORD PTR [rsi]
 vmulpd ymm0,ymm0,YMMWORD PTR [rdi]
 vextractf128 xmm1,ymm0,0x1
 vaddpd xmm0,xmm1,xmm0
 vpermilpd xmm1,xmm0,0x3
 vaddpd xmm0,xmm1,xmm0
 vzeroupper 
 ret   

一般来说，如果您使用的是水平相加，那就错了！ 尽管256位寄存器对于Vector4d来说似乎是理想的选择，但实际上并不是特别出色的表示形式（尤其是如果您认为AVX512现在可用！） 。 最近出现了一个非常类似的问题： 对于C ++ Vector3实用程序类的实现，数组比struct和class快吗？

如果您想要性能，那么数组结构是最好的选择。

struct HybridVec4SOA
{
  __m256d x;
  __m256d y;
  __m256d z;
  __m256d w;
};
__m256d dot(const HybridVec4SOA& a, const HybridVec4SOA& b)
{
  return _mm256_fmadd_pd(a.w, b.w, 
         _mm256_fmadd_pd(a.z, b.z, 
         _mm256_fmadd_pd(a.y, b.y, 
         _mm256_mul_pd(a.x, b.x))));
}

asm：

dot(HybridVec4SOA const&, HybridVec4SOA const&):
 vmovapd ymm1,YMMWORD PTR [rdi+0x20]
 vmovapd ymm2,YMMWORD PTR [rdi+0x40]
 vmovapd ymm3,YMMWORD PTR [rdi+0x60]
 vmovapd ymm0,YMMWORD PTR [rsi]
 vmulpd ymm0,ymm0,YMMWORD PTR [rdi]
 vfmadd231pd ymm0,ymm1,YMMWORD PTR [rsi+0x20]
 vfmadd231pd ymm0,ymm2,YMMWORD PTR [rsi+0x40]
 vfmadd231pd ymm0,ymm3,YMMWORD PTR [rsi+0x60]
 ret    

如果您比较load / mul / fmadd与hadd和extract的延迟（更重要的是吞吐量），然后考虑SOA版本一次计算4个点产品（而不是1），您将开始理解为什么要走呢？