为什么__m256而不是'float'会提供超过x8的性能？

Question

为什么我使用__m256数据类型获得如此巨大的加速（x16次）？ 一次处理8个浮点数，所以我希望只看到x8加速？

我的CPU是4核Devil Canyon i7（有超线程）在发布模式下使用visual studio 2017进行编译 - 打开了优化。

快速版本在400x400矩阵上消耗0.000151秒：

//make this matrix only keep the signs of its entries
inline void to_signs() {

    __m256 *i = reinterpret_cast<__m256*>(_arrays);
    __m256 *end = reinterpret_cast<__m256*>(_arrays + arraysSize());

    __m256 maskPlus = _mm256_set1_ps(1.f);
    __m256 maskMin =  _mm256_set1_ps(-1.f);

    //process the main portion of the array.  NOTICE: size might not be divisible by 8:
    while(true){
        ++i;
        if(i > end){  break; }

        __m256 *prev_i = i-1;
        *prev_i = _mm256_min_ps(*prev_i, maskPlus);
        *prev_i = _mm256_max_ps(*prev_i, maskMin);
    }

    //process the few remaining numbers, at the end of the array:
    i--;
    for(float *j=(float*)i; j<_arrays+arraysSize(); ++j){
        //taken from here:http://www.musicdsp.org/showone.php?id=249
        // mask sign bit in f, set it in r if necessary:
        float r = 1.0f;
        (int&)r |= ((int&)(*j) & 0x80000000);//according to author, can end up either -1 or 1 if zero.
        *j = r;
    }
}

旧版本，运行时间为0.002416秒：

inline void to_signs_slow() {
    size_t size = arraysSize();

    for (size_t i = 0; i<size; ++i) {
        //taken from here:http://www.musicdsp.org/showone.php?id=249
        // mask sign bit in f, set it in r if necessary:

        float r = 1.0f;
        (int&)r |= ((int&)_arrays[i] & 0x80000000);//according to author, can end up either -1 or 1 if zero.
        _arrays[i] = r;
    }
}

它是秘密使用2个内核，所以一旦我开始使用多线程，这个好处就会消失吗？

编辑：

在较大的矩阵上，大小（10e6）x（4e4）我平均得到3和14秒。 所以仅仅是x4加速，甚至不是x8 这可能是由于内存带宽和不适合缓存的东西

不过，我的问题是关于令人愉快的x16加速惊喜:)

Answer 1

你的标量版本看起来很糟糕（使用类型 - 投影的参考投射），并且可能编译为非常低效的asm，这比将每个32位元素复制到1.0f的位模式慢很多。 这应该只取一个整数AND和一个OR来做它标量（如果MSVC无法为你自动矢量化），但如果编译器将它复制到XMM寄存器或其他东西，我不会感到惊讶。

---

您的第一个手动矢量化版本甚至不会执行相同的工作，但它只是将所有非符号位屏蔽掉以留下-0.0f或+0.0f 。 因此它将编译为一个vandps ymm0, ymm7, [rdi]和一个带有vmovups [rdi], ymm0 SIMD存储，加上一些循环开销。

并不是说使用set1(1.0f)添加_mm256_or_ps会降低任何速度，你仍然会遇到缓存带宽或每时钟1个存储吞吐量的瓶颈。

---

然后，您将其编辑为一个版本，该版本夹在-1.0f .. +1.0f范围内，保留大小小于1.0的输入未修改。 这不会比两个按位运算慢，除了Haswell（魔鬼的峡谷）只在端口5上运行FP布尔值，而不是端口0或端口1上的实际FP填充。

特别是如果你没有用你的浮点数做任何其他事情，你实际上想要使用_si256内在函数只使用AVX2整数指令，以便更快地使用Haswell。 （但是如果没有AVX2，你的代码就无法运行。）

在Skylake和更新版本上，FP布尔值可以使用所有3个矢量ALU端口。 （ https://agner.org/optimize/用于指令表和uarch指南。）

您的代码应该类似于：

// outside the loop if you want
const __m256i ones = _mm256_castps_si256(_mm256_set1_ps(1.0f));

for (something ; p += whatever) {
    __m256i floats = _mm256_load_si256( (const __m256i*)p );
    __m256i signs = _mm256_and_si256(floats,  _mm256_set1_epi32(0x80000000));
    __m256i applied = _mm256_or_si256(signs, ones);
    _mm256_store_si256((__m256i*)p, applied);

}