[英]Produce loops without cmp instruction in GCC
我有許多緊湊的循環,我正在嘗試使用GCC和內在函數進行優化。 考慮例如以下功能。
void triad(float *x, float *y, float *z, const int n) {
float k = 3.14159f;
int i;
__m256 k4 = _mm256_set1_ps(k);
for(i=0; i<n; i+=8) {
_mm256_store_ps(&z[i], _mm256_add_ps(_mm256_load_ps(&x[i]), _mm256_mul_ps(k4, _mm256_load_ps(&y[i]))));
}
}
這會產生這樣的主循環
20: vmulps ymm0,ymm1,[rsi+rax*1]
25: vaddps ymm0,ymm0,[rdi+rax*1]
2a: vmovaps [rdx+rax*1],ymm0
2f: add rax,0x20
33: cmp rax,rcx
36: jne 20
但是cmp
指令是不必要的。 而不是讓rax
從零開始並在sizeof(float)*n
處完成,我們可以將基本指針( rsi
, rdi
和rdx
)設置為數組的末尾,並將rax
設置為-sizeof(float)*n
然后測試為零。 我可以用我自己的匯編代碼這樣做
.L2 vmulps ymm1, ymm2, [rdi+rax]
vaddps ymm0, ymm1, [rsi+rax]
vmovaps [rdx+rax], ymm0
add rax, 32
jne .L2
但我無法讓GCC這樣做。 我現在有幾個測試,這會產生重大影響。 直到最近,GCC和內在函數都讓我很好,所以我想知道是否有編譯器開關或重新排序/更改我的代碼的方法,因此cmp
指令不是用GCC生成的。
我嘗試了以下但它仍然產生cmp
。 我嘗試的所有變化仍然產生cmp
。
void triad2(float *x, float *y, float *z, const int n) {
float k = 3.14159f;
float *x2 = x+n;
float *y2 = y+n;
float *z2 = z+n;
int i;
__m256 k4 = _mm256_set1_ps(k);
for(i=-n; i<0; i+=8) {
_mm256_store_ps(&z2[i], _mm256_add_ps(_mm256_load_ps(&x2[i]), _mm256_mul_ps(k4, _mm256_load_ps(&y2[i]))));
}
}
編輯:我感興趣的是為這些函數最大化指令級並行(ILP),這些函數適合L1緩存(實際上對於n=2048
)。 盡管可以使用展開來改善帶寬,但是可以降低ILP(假設可以在不展開的情況下獲得全帶寬)。
編輯:這是Core2(前Nehalem),IvyBridge和Haswell系統的結果表。 內在函數是使用內在函數的結果,unroll1是我的匯編代碼不使用cmp
,而unroll16是我的匯編代碼展開16次。 百分比是峰值性能的百分比(頻率* num_bytes_cycle,其中num_bytes_cycle對於SSE為24,對於AVX為48,對於FMA為96)。
SSE AVX FMA
intrinsic 71.3% 90.9% 53.6%
unroll1 97.0% 96.1% 63.5%
unroll16 98.6% 90.4% 93.6%
ScottD 96.5%
32B code align 95.5%
對於SSE,我得到的結果幾乎與unrol一樣好,只有當我不使用cmp
才會展開。 在AVX上,我得到了最好的結果,沒有展開,也沒有使用cmp
。 有趣的是,在IB展開實際上更糟糕。 在Haswell,我通過展開得到了最好的結果。 這就是我問這個問題的原因 。 可以在該問題中找到測試它的源代碼。
編輯:
基於ScottD的答案,我現在得到了近97%的內部函數用於我的Core2系統(在Nehalem 64位模式之前)。 我不確定為什么cmp
實際上很重要,因為無論如何它應該每次迭代需要2個時鍾周期。 對於Sandy Bridge來說,效率損失是由於代碼對齊而不是額外的cmp
。 在Haswell上,無論如何只展開作品。
這個怎么樣。 編譯器是gcc 4.9.0 mingw x64:
void triad(float *x, float *y, float *z, const int n) {
float k = 3.14159f;
intptr_t i;
__m256 k4 = _mm256_set1_ps(k);
for(i = -n; i < 0; i += 8) {
_mm256_store_ps(&z[i+n], _mm256_add_ps(_mm256_load_ps(&x[i+n]), _mm256_mul_ps(k4, _mm256_load_ps(&y[i+n]))));
}
}
gcc -c -O3 -march = corei7 -mavx2 triad.c
0000000000000000 <triad>:
0: 44 89 c8 mov eax,r9d
3: f7 d8 neg eax
5: 48 98 cdqe
7: 48 85 c0 test rax,rax
a: 79 31 jns 3d <triad+0x3d>
c: c5 fc 28 0d 00 00 00 00 vmovaps ymm1,YMMWORD PTR [rip+0x0]
14: 4d 63 c9 movsxd r9,r9d
17: 49 c1 e1 02 shl r9,0x2
1b: 4c 01 ca add rdx,r9
1e: 4c 01 c9 add rcx,r9
21: 4d 01 c8 add r8,r9
24: c5 f4 59 04 82 vmulps ymm0,ymm1,YMMWORD PTR [rdx+rax*4]
29: c5 fc 58 04 81 vaddps ymm0,ymm0,YMMWORD PTR [rcx+rax*4]
2e: c4 c1 7c 29 04 80 vmovaps YMMWORD PTR [r8+rax*4],ymm0
34: 48 83 c0 08 add rax,0x8
38: 78 ea js 24 <triad+0x24>
3a: c5 f8 77 vzeroupper
3d: c3 ret
就像你手寫的代碼一樣,gcc使用5條循環指令。 gcc代碼使用scale = 4,其中你使用scale = 1。 我能夠讓gcc使用scale = 1和5指令循環,但C代碼很笨拙,循環中的2個AVX指令從5個字節增長到6個字節。
英特爾Ivy Bridge或更高版本上的指令解碼器可以將cmp和jne融合到管道中的單個操作中(稱為宏操作融合),因此在這些最近的處理器上cmp應該消失。
最終代碼:
#define SF sizeof(float)
#ifndef NO //floats per vector, compile with -DNO = 1,2,4,8,...
#define NO 8 //MUST be power of two
#endif
void triadfinaler(float const *restrict x, float const *restrict y, \
float *restrict z, size_t n)
{
float *restrict d = __builtin_assume_aligned(z, NO*SF); //gcc builtin,
float const *restrict m = __builtin_assume_aligned(y, NO*SF); //optional but produces
float const *restrict a = __builtin_assume_aligned(x, NO*SF); //better code
float const k = 3.14159f;
n*=SF;
while (n &= ~((size_t)(NO*SF)-1)) //this is why NO*SF must be power of two
{
size_t nl = n/SF;
for (size_t i = 0; i<NO; i++)
{
d[nl-NO+i] = k * m[nl-NO+i] + a[nl-NO+i];
}
n -= (NO*SF);
}
}
我更喜歡讓編譯器選擇指令,而不是使用內在函數(尤其是因為你使用的是intel-intrinsics,而gcc並不喜歡)。 無論如何,以下代碼在gcc 4.8上為我生成了很好的程序集:
void triad(float *restrict x, float *restrict y, float *restrict z, size_t n)
//I hope you weren't aliasing any function arguments... Oh, an it's void, not float
{
float *restrict d = __builtin_assume_aligned(z, 32); // Uh, make sure your arrays
float *restrict m = __builtin_assume_aligned(y, 32); // are aligned? Faster that way
float *restrict a = __builtin_assume_aligned(x, 32); //
float const k = 3.14159f;
while (n &= ~((size_t)0x7)) //black magic, causes gcc to omit code for non-multiples of 8 floats
{
n -= 8; //You were always computing on 8 floats at a time, right?
d[n+0] = k * m[n+0] + a[n+0]; //manual unrolling
d[n+1] = k * m[n+1] + a[n+1];
d[n+2] = k * m[n+2] + a[n+2];
d[n+3] = k * m[n+3] + a[n+3];
d[n+4] = k * m[n+4] + a[n+4];
d[n+5] = k * m[n+5] + a[n+5];
d[n+6] = k * m[n+6] + a[n+6];
d[n+7] = k * m[n+7] + a[n+7];
}
}
這為我的corei7avx2生成了很好的代碼,-O3:
triad:
andq $-8, %rcx
je .L8
vmovaps .LC0(%rip), %ymm1
.L4:
subq $8, %rcx
vmovaps (%rsi,%rcx,4), %ymm0
vfmadd213ps (%rdi,%rcx,4), %ymm1, %ymm0
vmovaps %ymm0, (%rdx,%rcx,4)
andq $-8, %rcx
jne .L4
vzeroupper
.L8:
rep ret
.cfi_endproc
.LC0:
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
編輯:我有點失望的編譯器沒有優化這個代碼到最后一條指令,所以我搞砸了一點。 只是改變循環中的事物的順序擺脫了編譯器發出的AND
,這讓我走上了正確的軌道。 然后我只需要讓它不要在循環中進行不必要的地址計算。 嘆。
void triadtwo(float *restrict x, float *restrict y, float *restrict z, size_t n)
{
float *restrict d = __builtin_assume_aligned(z, 32);
float *restrict m = __builtin_assume_aligned(y, 32);
float *restrict a = __builtin_assume_aligned(x, 32);
float const k = 3.14159f;
n<<=2;
while (n &= -32)
{
d[(n>>2)-8] = k * m[(n>>2)-8] + a[(n>>2)-8];
d[(n>>2)-7] = k * m[(n>>2)-7] + a[(n>>2)-7];
d[(n>>2)-6] = k * m[(n>>2)-6] + a[(n>>2)-6];
d[(n>>2)-5] = k * m[(n>>2)-5] + a[(n>>2)-5];
d[(n>>2)-4] = k * m[(n>>2)-4] + a[(n>>2)-4];
d[(n>>2)-3] = k * m[(n>>2)-3] + a[(n>>2)-3];
d[(n>>2)-2] = k * m[(n>>2)-2] + a[(n>>2)-2];
d[(n>>2)-1] = k * m[(n>>2)-1] + a[(n>>2)-1];
n -= 32;
}
}
丑陋的代碼? 是。 但是大會 :
triadtwo:
salq $2, %rcx
andq $-32, %rcx
je .L54
vmovaps .LC0(%rip), %ymm1
.L50:
vmovaps -32(%rsi,%rcx), %ymm0
vfmadd213ps -32(%rdi,%rcx), %ymm1, %ymm0
vmovaps %ymm0, -32(%rdx,%rcx)
subq $32, %rcx
jne .L50
vzeroupper
.L54:
rep ret
.cfi_endproc
.LC0:
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
.long 1078530000
Mmmmhhh ,循環中的五個指令,宏觀可融合的減法和分支......
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.