GCC生成的64位代碼比32位慢3倍

Question

我注意到我的代碼在64位Linux上運行比在32位Linux或64位Window或64位Mac上慢得多。 這是最小的測試用例。

#include <stdlib.h>

typedef unsigned char UINT8;

void
stretch(UINT8 * lineOut, UINT8 * lineIn, int xsize, float *kk)
{
    int xx, x;

    for (xx = 0; xx < xsize; xx++) {
        float ss = 0.0;
        for (x = 0; x < xsize; x++) {
            ss += lineIn[x] * kk[x];
        }
        lineOut[xx] = (UINT8) ss;
    }
}

int
main( int argc, char** argv )
{
    int i;
    int xsize = 2048;

    UINT8 *lineIn = calloc(xsize, sizeof(UINT8));
    UINT8 *lineOut = calloc(xsize, sizeof(UINT8));
    float *kk = calloc(xsize, sizeof(float));

    for (i = 0; i < 1024; i++) {
        stretch(lineOut, lineIn, xsize, kk);
    }

    return 0;
}

它有如何運行：

$ cc --version
cc (Ubuntu 4.8.2-19ubuntu1) 4.8.2
$ cc -O2 -Wall -m64 ./tt.c -o ./tt && time ./tt
user  14.166s
$ cc -O2 -Wall -m32 ./tt.c -o ./tt && time ./tt
user  5.018s

正如您所看到的，32位版本的運行速度快了近3倍（我在32位和64位Ubuntu上測試過，結果相同）。 更奇怪的是性能取決於C標准：

$ cc -O2 -Wall -std=c99 -m32 ./tt.c -o ./tt && time ./tt
user  15.825s
$ cc -O2 -Wall -std=gnu99 -m32 ./tt.c -o ./tt && time ./tt
user  5.090s

怎么會這樣？ 我該如何解決這個問題來加速GCC生成的64位版本。

更新1

我比較了快速32位（默認和gnu99）和慢速（c99）生成的匯編程序，發現如下：

.L5:
  movzbl    (%ebx,%eax), %edx   # MEM[base: lineIn_10(D), index: _72, offset: 0B], D.1543
  movl  %edx, (%esp)    # D.1543,
  fildl (%esp)  #
  fmuls (%esi,%eax,4)   # MEM[base: kk_18(D), index: _72, step: 4, offset: 0B]
  addl  $1, %eax    #, x
  cmpl  %ecx, %eax  # xsize, x
  faddp %st, %st(1) #,
  fstps 12(%esp)    #
  flds  12(%esp)    #
  jne   .L5 #,

快速情況下沒有fstps和flds命令。 所以GCC在每一步都存儲並加載內存中的值。 我試過register float類型，但這沒有用。

更新2

我已經在gcc-4.9上進行了測試，看起來它為64位生成了最佳代碼。 並且-ffast-math （由@jch建議）修復了兩個GCC版本的-m32 -std=c99 。 我仍然在gcc-4.8上尋找64位的解決方案，因為它現在更常見的是4.9。

Answer 1

舊版本的GCC生成的代碼中存在部分依賴性停頓。

movzbl (%rsi,%rax), %r8d
cvtsi2ss %r8d, %xmm0  ;; all upper bits in %xmm0 are false dependency

xorps可以打破依賴關系。

#ifdef __SSE__
float __attribute__((always_inline)) i2f(int v) {
    float x;
    __asm__("xorps %0, %0; cvtsi2ss %1, %0" : "=x"(x) : "r"(v) );
    return x;
}
#else
float __attribute__((always_inline)) i2f(int v) { return (float) v; }
#endif

void stretch(UINT8* lineOut, UINT8* lineIn, int xsize, float *kk)
{
    int xx, x;

    for (xx = 0; xx < xsize; xx++) {
        float ss = 0.0;
        for (x = 0; x < xsize; x++) {
            ss += i2f(lineIn[x]) * kk[x];
        }
        lineOut[xx] = (UINT8) ss;
    }
}

結果

$ cc -O2 -Wall -m64 ./test.c -o ./test64 && time ./test64
./test64  4.07s user 0.00s system 99% cpu 4.070 total
$ cc -O2 -Wall -m32 ./test.c -o ./test32 && time ./test32
./test32  3.94s user 0.00s system 99% cpu 3.938 total

Answer 2

這是我嘗試過的：我宣稱ss是易變的 。 這阻止了編譯器對其進行優化。 我得到了32位和64位版本的類似時間。

64位稍慢，但這是正常的，因為64位代碼更大，uCode緩存的大小有限。 所以一般來說64位應該比32（<3-4％）慢一點。

回到這個問題，我認為在32位模式下，編譯器會對ss進行更積極的優化。

更新1：

查看64位代碼，它會生成CVTTSS2SI指令，並與CVTSI2SS指令配對，以進行浮點到整數轉換。 這具有更高的延遲。 32位代碼只使用FMULS指令，直接在浮點數上運行。 需要查找編譯器選項以防止這些轉換。

Answer 3

在32位模式下，編譯器正在努力保留嚴格的IEEE 754浮點語義。 您可以通過使用-ffast-math進行編譯來避免這種情況：

$ gcc -m32 -O2 -std=c99 test.c && time ./a.out 

real    0m13.869s
user    0m13.884s
sys     0m0.000s
$ gcc -m32 -O2 -std=c99 -ffast-math test.c && time ./a.out 

real    0m4.477s
user    0m4.480s
sys     0m0.000s

我無法在64位模式下重現您的結果，但我非常有信心-ffast-math將解決您的問題。 更一般地說，除非你真的需要可重現的IEEE 754舍入行為， -ffast-math就是你想要的。

Answer 4

看起來像限制的情況。 三個陣列不能重疊，可以嗎？