[英]Matrix-vector-multiplication in AVX not proportionately faster than in SSE
我正在使用以下內容在SSE和AVX中編寫矩陣向量乘法:
for(size_t i=0;i<M;i++) {
size_t index = i*N;
__m128 a, x, r1;
__m128 sum = _mm_setzero_ps();
for(size_t j=0;j<N;j+=4,index+=4) {
a = _mm_load_ps(&A[index]);
x = _mm_load_ps(&X[j]);
r1 = _mm_mul_ps(a,x);
sum = _mm_add_ps(r1,sum);
}
sum = _mm_hadd_ps(sum,sum);
sum = _mm_hadd_ps(sum,sum);
_mm_store_ss(&C[i],sum);
}
我對AVX使用了類似的方法,但最后,由於AVX沒有與_mm_store_ss()
的等效指令,我使用了:
_mm_store_ss(&C[i],_mm256_castps256_ps128(sum));
SSE代碼比串行代碼的速度提高了3.7。 但是,AVX代碼比串行代碼的速度提高了4.3。
我知道將SSE與AVX一起使用可能會導致問題,但我使用g ++編譯了-mavx'標志,這應該刪除SSE操作碼。
我也可以使用: _mm256_storeu_ps(&C[i],sum)
做同樣的事情,但加速是一樣的。
關於我還能做些什么來提高性能的任何見解? 它可以與: performance_memory_bound相關,雖然我不明白該線程的答案。
此外,即使包含“immintrin.h”頭文件,我也無法使用_mm_fmadd_ps()指令。 我啟用了FMA和AVX。
我建議你重新考慮你的算法。 請參閱討論使用SSE進行高效4x4矩陣向量乘法:水平加點和點積 - 有什么意義?
你正在做一個長點產品並且每次迭代使用_mm_hadd_ps
。 相反,你應該使用SSE一起做四個點產品(八個用AVX)並且只使用垂直操作符。
您需要添加,乘法和廣播。 這可以在SSE中使用_mm_add_ps
, _mm_mul_ps
和_mm_shuffle_ps
(用於廣播)完成。
如果你已經有了矩陣的轉置,這非常簡單。
但無論您是否有轉置,您都需要使代碼更加緩存友好。 為了解決這個問題,我建議對矩陣進行循環平鋪。 請參閱此討論在C ++中轉置矩陣的最快方法是什么? 了解如何進行循環平鋪。
在嘗試SSE / AVX之前,我會先嘗試將循環平鋪放到第一位。 我在矩陣乘法中獲得的最大提升不是來自SIMD,也不是來自循環平鋪的線程。 我認為如果你獲得了緩存使用權,你的AVX代碼也會比SSE更加線性。
考慮這段代碼。 我不熟悉INTEL版本,但這比DirectX中的XMMatrixMultiply要快。 這不是關於每條指令完成了多少數學運算,而是關於減少指令數量(只要你使用快速指令,這個實現就是這樣)。
// Perform a 4x4 matrix multiply by a 4x4 matrix
// Be sure to run in 64 bit mode and set right flags
// Properties, C/C++, Enable Enhanced Instruction, /arch:AVX
// Having MATRIX on a 32 byte bundry does help performance
struct MATRIX {
union {
float f[4][4];
__m128 m[4];
__m256 n[2];
};
}; MATRIX myMultiply(MATRIX M1, MATRIX M2) {
MATRIX mResult;
__m256 a0, a1, b0, b1;
__m256 c0, c1, c2, c3, c4, c5, c6, c7;
__m256 t0, t1, u0, u1;
t0 = M1.n[0]; // t0 = a00, a01, a02, a03, a10, a11, a12, a13
t1 = M1.n[1]; // t1 = a20, a21, a22, a23, a30, a31, a32, a33
u0 = M2.n[0]; // u0 = b00, b01, b02, b03, b10, b11, b12, b13
u1 = M2.n[1]; // u1 = b20, b21, b22, b23, b30, b31, b32, b33
a0 = _mm256_shuffle_ps(t0, t0, _MM_SHUFFLE(0, 0, 0, 0)); // a0 = a00, a00, a00, a00, a10, a10, a10, a10
a1 = _mm256_shuffle_ps(t1, t1, _MM_SHUFFLE(0, 0, 0, 0)); // a1 = a20, a20, a20, a20, a30, a30, a30, a30
b0 = _mm256_permute2f128_ps(u0, u0, 0x00); // b0 = b00, b01, b02, b03, b00, b01, b02, b03
c0 = _mm256_mul_ps(a0, b0); // c0 = a00*b00 a00*b01 a00*b02 a00*b03 a10*b00 a10*b01 a10*b02 a10*b03
c1 = _mm256_mul_ps(a1, b0); // c1 = a20*b00 a20*b01 a20*b02 a20*b03 a30*b00 a30*b01 a30*b02 a30*b03
a0 = _mm256_shuffle_ps(t0, t0, _MM_SHUFFLE(1, 1, 1, 1)); // a0 = a01, a01, a01, a01, a11, a11, a11, a11
a1 = _mm256_shuffle_ps(t1, t1, _MM_SHUFFLE(1, 1, 1, 1)); // a1 = a21, a21, a21, a21, a31, a31, a31, a31
b0 = _mm256_permute2f128_ps(u0, u0, 0x11); // b0 = b10, b11, b12, b13, b10, b11, b12, b13
c2 = _mm256_mul_ps(a0, b0); // c2 = a01*b10 a01*b11 a01*b12 a01*b13 a11*b10 a11*b11 a11*b12 a11*b13
c3 = _mm256_mul_ps(a1, b0); // c3 = a21*b10 a21*b11 a21*b12 a21*b13 a31*b10 a31*b11 a31*b12 a31*b13
a0 = _mm256_shuffle_ps(t0, t0, _MM_SHUFFLE(2, 2, 2, 2)); // a0 = a02, a02, a02, a02, a12, a12, a12, a12
a1 = _mm256_shuffle_ps(t1, t1, _MM_SHUFFLE(2, 2, 2, 2)); // a1 = a22, a22, a22, a22, a32, a32, a32, a32
b1 = _mm256_permute2f128_ps(u1, u1, 0x00); // b0 = b20, b21, b22, b23, b20, b21, b22, b23
c4 = _mm256_mul_ps(a0, b1); // c4 = a02*b20 a02*b21 a02*b22 a02*b23 a12*b20 a12*b21 a12*b22 a12*b23
c5 = _mm256_mul_ps(a1, b1); // c5 = a22*b20 a22*b21 a22*b22 a22*b23 a32*b20 a32*b21 a32*b22 a32*b23
a0 = _mm256_shuffle_ps(t0, t0, _MM_SHUFFLE(3, 3, 3, 3)); // a0 = a03, a03, a03, a03, a13, a13, a13, a13
a1 = _mm256_shuffle_ps(t1, t1, _MM_SHUFFLE(3, 3, 3, 3)); // a1 = a23, a23, a23, a23, a33, a33, a33, a33
b1 = _mm256_permute2f128_ps(u1, u1, 0x11); // b0 = b30, b31, b32, b33, b30, b31, b32, b33
c6 = _mm256_mul_ps(a0, b1); // c6 = a03*b30 a03*b31 a03*b32 a03*b33 a13*b30 a13*b31 a13*b32 a13*b33
c7 = _mm256_mul_ps(a1, b1); // c7 = a23*b30 a23*b31 a23*b32 a23*b33 a33*b30 a33*b31 a33*b32 a33*b33
c0 = _mm256_add_ps(c0, c2); // c0 = c0 + c2 (two terms, first two rows)
c4 = _mm256_add_ps(c4, c6); // c4 = c4 + c6 (the other two terms, first two rows)
c1 = _mm256_add_ps(c1, c3); // c1 = c1 + c3 (two terms, second two rows)
c5 = _mm256_add_ps(c5, c7); // c5 = c5 + c7 (the other two terms, second two rose)
// Finally complete addition of all four terms and return the results
mResult.n[0] = _mm256_add_ps(c0, c4); // n0 = a00*b00+a01*b10+a02*b20+a03*b30 a00*b01+a01*b11+a02*b21+a03*b31 a00*b02+a01*b12+a02*b22+a03*b32 a00*b03+a01*b13+a02*b23+a03*b33
// a10*b00+a11*b10+a12*b20+a13*b30 a10*b01+a11*b11+a12*b21+a13*b31 a10*b02+a11*b12+a12*b22+a13*b32 a10*b03+a11*b13+a12*b23+a13*b33
mResult.n[1] = _mm256_add_ps(c1, c5); // n1 = a20*b00+a21*b10+a22*b20+a23*b30 a20*b01+a21*b11+a22*b21+a23*b31 a20*b02+a21*b12+a22*b22+a23*b32 a20*b03+a21*b13+a22*b23+a23*b33
// a30*b00+a31*b10+a32*b20+a33*b30 a30*b01+a31*b11+a32*b21+a33*b31 a30*b02+a31*b12+a32*b22+a33*b32 a30*b03+a31*b13+a32*b23+a33*b33
return mResult;
}
正如有人已經建議的那樣,添加-funroll-loops
奇怪的是,這不是默認設置。
使用__restrict來定義任何浮點指針。 使用const作為常量數組引用。 我不知道編譯器是否足夠智能以識別循環內的3個中間值不需要從迭代到迭代保持活動。 我只是刪除這3個變量或至少使它們在循環內部(a,x,r1)。 可以聲明索引,聲明j以使其更加本地化。 確保M和N聲明為const,如果它們的值是編譯時常量,讓編譯器看到它們。
再一次,如果你想建立自己的矩陣乘法算法, 請停止 。 我記得在英特爾的AVX論壇上,他們的一位工程師承認他們用了很長時間來編寫AVX組件以達到AVX理論吞吐量,以便將兩個矩陣( 特別是小矩陣 )相乘,因為AVX加載和存儲指令在那一刻,更不用說克服並行版本的線程開銷的困難了。
請安裝英特爾數學核心庫 ,花半小時閱讀手冊和代碼1行來調用庫, 完成 !
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.