[英]Why does changing 0.1f to 0 slow down performance by 10x?
为什么这段代码,
const float x[16] = { 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8,
1.9, 2.0, 2.1, 2.2, 2.3, 2.4, 2.5, 2.6};
const float z[16] = {1.123, 1.234, 1.345, 156.467, 1.578, 1.689, 1.790, 1.812,
1.923, 2.034, 2.145, 2.256, 2.367, 2.478, 2.589, 2.690};
float y[16];
for (int i = 0; i < 16; i++)
{
y[i] = x[i];
}
for (int j = 0; j < 9000000; j++)
{
for (int i = 0; i < 16; i++)
{
y[i] *= x[i];
y[i] /= z[i];
y[i] = y[i] + 0.1f; // <--
y[i] = y[i] - 0.1f; // <--
}
}
运行速度比以下位快 10 倍以上(除另有说明外相同)?
const float x[16] = { 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8,
1.9, 2.0, 2.1, 2.2, 2.3, 2.4, 2.5, 2.6};
const float z[16] = {1.123, 1.234, 1.345, 156.467, 1.578, 1.689, 1.790, 1.812,
1.923, 2.034, 2.145, 2.256, 2.367, 2.478, 2.589, 2.690};
float y[16];
for (int i = 0; i < 16; i++)
{
y[i] = x[i];
}
for (int j = 0; j < 9000000; j++)
{
for (int i = 0; i < 16; i++)
{
y[i] *= x[i];
y[i] /= z[i];
y[i] = y[i] + 0; // <--
y[i] = y[i] - 0; // <--
}
}
使用 Visual Studio 2010 SP1 编译时。 启用sse2
的优化级别为-02
。 我没有用其他编译器测试过。
欢迎来到非规范化浮点的世界! 他们可以对性能造成严重破坏!!!
非正规(或次正规)数字是一种从浮点表示中获得一些非常接近零的额外值的技巧。 非规范化浮点运算可能比规范化浮点运算慢数十到数百倍。 这是因为许多处理器无法直接处理它们,必须使用微码捕获和解析它们。
如果在 10,000 次迭代后打印出这些数字,您将看到它们已经收敛到不同的值,具体取决于使用的是0
还是0.1
。
这是在 x64 上编译的测试代码:
int main() {
double start = omp_get_wtime();
const float x[16]={1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2.0,2.1,2.2,2.3,2.4,2.5,2.6};
const float z[16]={1.123,1.234,1.345,156.467,1.578,1.689,1.790,1.812,1.923,2.034,2.145,2.256,2.367,2.478,2.589,2.690};
float y[16];
for(int i=0;i<16;i++)
{
y[i]=x[i];
}
for(int j=0;j<9000000;j++)
{
for(int i=0;i<16;i++)
{
y[i]*=x[i];
y[i]/=z[i];
#ifdef FLOATING
y[i]=y[i]+0.1f;
y[i]=y[i]-0.1f;
#else
y[i]=y[i]+0;
y[i]=y[i]-0;
#endif
if (j > 10000)
cout << y[i] << " ";
}
if (j > 10000)
cout << endl;
}
double end = omp_get_wtime();
cout << end - start << endl;
system("pause");
return 0;
}
输出:
#define FLOATING
1.78814e-007 1.3411e-007 1.04308e-007 0 7.45058e-008 6.70552e-008 6.70552e-008 5.58794e-007 3.05474e-007 2.16067e-007 1.71363e-007 1.49012e-007 1.2666e-007 1.11759e-007 1.04308e-007 1.04308e-007
1.78814e-007 1.3411e-007 1.04308e-007 0 7.45058e-008 6.70552e-008 6.70552e-008 5.58794e-007 3.05474e-007 2.16067e-007 1.71363e-007 1.49012e-007 1.2666e-007 1.11759e-007 1.04308e-007 1.04308e-007
//#define FLOATING
6.30584e-044 3.92364e-044 3.08286e-044 0 1.82169e-044 1.54143e-044 2.10195e-044 2.46842e-029 7.56701e-044 4.06377e-044 3.92364e-044 3.22299e-044 3.08286e-044 2.66247e-044 2.66247e-044 2.24208e-044
6.30584e-044 3.92364e-044 3.08286e-044 0 1.82169e-044 1.54143e-044 2.10195e-044 2.45208e-029 7.56701e-044 4.06377e-044 3.92364e-044 3.22299e-044 3.08286e-044 2.66247e-044 2.66247e-044 2.24208e-044
请注意,在第二次运行中,数字非常接近于零。
非规范化数字通常很少见,因此大多数处理器不会尝试有效地处理它们。
为了证明这与非规范化数字有关,如果我们通过将其添加到代码的开头将非规范化数刷新为零:
_MM_SET_FLUSH_ZERO_MODE(_MM_FLUSH_ZERO_ON);
然后带有0
的版本不再慢 10 倍,实际上变得更快。 (这要求在启用 SSE 的情况下编译代码。)
这意味着我们不是使用这些奇怪的低精度几乎为零的值,而是将其舍入为零。
时序:Core i7 920 @ 3.5 GHz:
// Don't flush denormals to zero.
0.1f: 0.564067
0 : 26.7669
// Flush denormals to zero.
0.1f: 0.587117
0 : 0.341406
最后,这真的与它是整数还是浮点数无关。 0
或0.1f
被转换/存储到两个循环之外的寄存器中。 所以这对性能没有影响。
使用gcc
并对生成的程序集应用差异只会产生以下差异:
73c68,69
< movss LCPI1_0(%rip), %xmm1
---
> movabsq $0, %rcx
> cvtsi2ssq %rcx, %xmm1
81d76
< subss %xmm1, %xmm0
cvtsi2ssq
确实慢了 10 倍。
显然, float
版本使用从内存加载的XMM寄存器,而int
版本使用cvtsi2ssq
指令将真正的int
值 0 转换为float
,花费了大量时间。 将-O3
传递给 gcc 没有帮助。 (gcc 版本 4.2.1。)
(使用double
而不是float
无关紧要,只是它将cvtsi2ssq
更改为cvtsi2sdq
。)
更新
一些额外的测试表明它不一定是cvtsi2ssq
指令。 一旦消除(使用int ai=0;float a=ai;
并使用a
而不是0
),速度差异仍然存在。 所以@Mysticial 是对的,非规范化的浮点数有所不同。 这可以通过测试0
到0.1f
之间的值来看出。 上述代码中的转折点大约在0.00000000000000000000000000000001
,此时循环的时间突然增加了 10 倍。
更新<<1
这个有趣现象的一个小可视化:
当非规范化开始时,您可以清楚地看到指数(最后 9 位)变为最低值。此时,简单的加法会慢 20 倍。
0.000000000000000000000000000000000100000004670110: 10111100001101110010000011100000 45 ms
0.000000000000000000000000000000000050000002335055: 10111100001101110010000101100000 43 ms
0.000000000000000000000000000000000025000001167528: 10111100001101110010000001100000 43 ms
0.000000000000000000000000000000000012500000583764: 10111100001101110010000110100000 42 ms
0.000000000000000000000000000000000006250000291882: 10111100001101110010000010100000 48 ms
0.000000000000000000000000000000000003125000145941: 10111100001101110010000100100000 43 ms
0.000000000000000000000000000000000001562500072970: 10111100001101110010000000100000 42 ms
0.000000000000000000000000000000000000781250036485: 10111100001101110010000111000000 42 ms
0.000000000000000000000000000000000000390625018243: 10111100001101110010000011000000 42 ms
0.000000000000000000000000000000000000195312509121: 10111100001101110010000101000000 43 ms
0.000000000000000000000000000000000000097656254561: 10111100001101110010000001000000 42 ms
0.000000000000000000000000000000000000048828127280: 10111100001101110010000110000000 44 ms
0.000000000000000000000000000000000000024414063640: 10111100001101110010000010000000 42 ms
0.000000000000000000000000000000000000012207031820: 10111100001101110010000100000000 42 ms
0.000000000000000000000000000000000000006103515209: 01111000011011100100001000000000 789 ms
0.000000000000000000000000000000000000003051757605: 11110000110111001000010000000000 788 ms
0.000000000000000000000000000000000000001525879503: 00010001101110010000100000000000 788 ms
0.000000000000000000000000000000000000000762939751: 00100011011100100001000000000000 795 ms
0.000000000000000000000000000000000000000381469876: 01000110111001000010000000000000 896 ms
0.000000000000000000000000000000000000000190734938: 10001101110010000100000000000000 813 ms
0.000000000000000000000000000000000000000095366768: 00011011100100001000000000000000 798 ms
0.000000000000000000000000000000000000000047683384: 00110111001000010000000000000000 791 ms
0.000000000000000000000000000000000000000023841692: 01101110010000100000000000000000 802 ms
0.000000000000000000000000000000000000000011920846: 11011100100001000000000000000000 809 ms
0.000000000000000000000000000000000000000005961124: 01111001000010000000000000000000 795 ms
0.000000000000000000000000000000000000000002980562: 11110010000100000000000000000000 835 ms
0.000000000000000000000000000000000000000001490982: 00010100001000000000000000000000 864 ms
0.000000000000000000000000000000000000000000745491: 00101000010000000000000000000000 915 ms
0.000000000000000000000000000000000000000000372745: 01010000100000000000000000000000 918 ms
0.000000000000000000000000000000000000000000186373: 10100001000000000000000000000000 881 ms
0.000000000000000000000000000000000000000000092486: 01000010000000000000000000000000 857 ms
0.000000000000000000000000000000000000000000046243: 10000100000000000000000000000000 861 ms
0.000000000000000000000000000000000000000000022421: 00001000000000000000000000000000 855 ms
0.000000000000000000000000000000000000000000011210: 00010000000000000000000000000000 887 ms
0.000000000000000000000000000000000000000000005605: 00100000000000000000000000000000 799 ms
0.000000000000000000000000000000000000000000002803: 01000000000000000000000000000000 828 ms
0.000000000000000000000000000000000000000000001401: 10000000000000000000000000000000 815 ms
0.000000000000000000000000000000000000000000000000: 00000000000000000000000000000000 42 ms
0.000000000000000000000000000000000000000000000000: 00000000000000000000000000000000 42 ms
0.000000000000000000000000000000000000000000000000: 00000000000000000000000000000000 44 ms
关于 ARM 的等效讨论可以在 Stack Overflow 问题Denormalized floating point in Objective-C 中找到? .
这是由于非规范化的浮点使用。 如何摆脱它和性能损失? 在互联网上搜索了杀死非正规数的方法后,似乎还没有“最佳”方法可以做到这一点。 我发现这三种方法可能在不同的环境中效果最好:
在某些 GCC 环境中可能不起作用:
// Requires #include <fenv.h> fesetenv(FE_DFL_DISABLE_SSE_DENORMS_ENV);
在某些 Visual Studio 环境中可能不起作用: 1
// Requires #include <xmmintrin.h> _mm_setcsr( _mm_getcsr() | (1<<15) | (1<<6) ); // Does both FTZ and DAZ bits. You can also use just hex value 0x8040 to do both. // You might also want to use the underflow mask (1<<11)
似乎在 GCC 和 Visual Studio 中都可以使用:
// Requires #include <xmmintrin.h> // Requires #include <pmmintrin.h> _MM_SET_FLUSH_ZERO_MODE(_MM_FLUSH_ZERO_ON); _MM_SET_DENORMALS_ZERO_MODE(_MM_DENORMALS_ZERO_ON);
默认情况下,英特尔编译器具有在现代英特尔 CPU 上禁用非规范化的选项。 更多细节在这里
编译器开关。 -ffast-math
、 -msse
或-mfpmath=sse
将禁用非正规-mfpmath=sse
并使其他一些事情更快,但不幸的是,也会执行许多其他可能破坏您的代码的近似值。 仔细测试! Visual Studio 编译器的 fast-math 的等效项是/fp:fast
但我无法确认这是否也禁用了非规范化。 1
在 gcc 中,您可以通过以下方式启用 FTZ 和 DAZ:
#include <xmmintrin.h>
#define FTZ 1
#define DAZ 1
void enableFtzDaz()
{
int mxcsr = _mm_getcsr ();
if (FTZ) {
mxcsr |= (1<<15) | (1<<11);
}
if (DAZ) {
mxcsr |= (1<<6);
}
_mm_setcsr (mxcsr);
}
也使用 gcc 开关:-msse -mfpmath=sse
(相应的学分来自 Carl Hetherington [1])
Dan Neely 的评论应该扩展为答案:
不是非规范化或导致减速的零常数0.0f
,而是每次循环迭代接近零的值。 随着它们越来越接近于零,它们需要更高的精度来表示,并且它们变得非规范化。 这些是y[i]
值。 (它们接近于零,因为x[i]/z[i]
对于所有i
都小于 1.0。)
代码的慢速版本和快速版本之间的关键区别在于语句y[i] = y[i] + 0.1f;
. 只要在循环的每次迭代中执行此行,浮点数中的额外精度就会丢失,并且不再需要表示该精度所需的非规范化。 之后, y[i]
上的浮点运算仍然很快,因为它们没有被非规范化。
为什么添加0.1f
时会丢失额外的精度? 因为浮点数只有这么多有效数字。 假设您有足够的存储空间来存储三位有效数字,然后0.00001 = 1e-5
和0.00001 + 0.1 = 0.1
,至少对于此示例浮点格式,因为它没有空间将最低有效位存储在0.10001
。
简而言之, y[i]=y[i]+0.1f; y[i]=y[i]-0.1f;
y[i]=y[i]+0.1f; y[i]=y[i]-0.1f;
不是您可能认为的无操作。
Mystical 也这么说:浮点数的内容很重要,而不仅仅是汇编代码。
编辑:为了更好地说明这一点,即使机器操作码相同,也不是每个浮点运算都需要相同的时间来运行。 对于某些操作数/输入,相同的指令将需要更多时间来运行。 对于非正规数尤其如此。
很长一段时间内,CPU 对于非正规数只会稍微慢一点。 我的 Zen2 CPU 需要五个时钟周期来进行非正规输入和非正规输出的计算,以及四个时钟周期和标准化数字。
这是一个用 Visual C++ 编写的小型基准测试,用于显示非正规数对性能的轻微影响:
#include <iostream>
#include <cstdint>
#include <chrono>
using namespace std;
using namespace chrono;
uint64_t denScale( uint64_t rounds, bool den );
int main()
{
auto bench = []( bool den ) -> double
{
constexpr uint64_t ROUNDS = 25'000'000;
auto start = high_resolution_clock::now();
int64_t nScale = denScale( ROUNDS, den );
return (double)duration_cast<nanoseconds>( high_resolution_clock::now() - start ).count() / nScale;
};
double
tDen = bench( true ),
tNorm = bench( false ),
rel = tDen / tNorm - 1;
cout << tDen << endl;
cout << tNorm << endl;
cout << trunc( 100 * 10 * rel + 0.5 ) / 10 << "%" << endl;
}
这是 MASM 组装部件。
PUBLIC ?denScale@@YA_K_K_N@Z
CONST SEGMENT
DEN DQ 00008000000000000h
ONE DQ 03FF0000000000000h
P5 DQ 03fe0000000000000h
CONST ENDS
_TEXT SEGMENT
?denScale@@YA_K_K_N@Z PROC
xor rax, rax
test rcx, rcx
jz byeBye
mov r8, ONE
mov r9, DEN
test dl, dl
cmovnz r8, r9
movq xmm1, P5
mov rax, rcx
loopThis:
movq xmm0, r8
REPT 52
mulsd xmm0, xmm1
ENDM
sub rcx, 1
jae loopThis
mov rdx, 52
mul rdx
byeBye:
ret
?denScale@@YA_K_K_N@Z ENDP
_TEXT ENDS
END
很高兴在评论中看到一些结果。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.