c - AVX 标量运算要快得多

Question

我测试了以下简单的功能

void mul(double *a, double *b) {
  for (int i = 0; i<N; i++) a[i] *= b[i];
}

具有非常大的数组，因此它受内存带宽限制。我使用的测试代码如下。当我用 -O2 编译时，它需要 1.7 秒。当我用 -O2 -mavx 编译时，它只需要 1.0 秒。非 vex 编码的标量操作要慢 70%! 这是为什么？

这是-O2 和-O2 -mavx 的程序集。

https://godbolt.org/g/w4p60f

系统:i7-6700HQ@2.60GHz (Skylake) 32 GB 内存，Ubuntu 16.10，GCC 6.3

测试代码

//gcc -O2 -fopenmp test.c
//or
//gcc -O2 -mavx -fopenmp test.c
#include <string.h>
#include <stdio.h>
#include <x86intrin.h>
#include <omp.h>

#define N 1000000
#define R 1000

void mul(double *a, double *b) {
  for (int i = 0; i<N; i++) a[i] *= b[i];
}

int main() {
  double *a = (double*)_mm_malloc(sizeof *a * N, 32);
  double *b = (double*)_mm_malloc(sizeof *b * N, 32);

  //b must be initialized to get the correct bandwidth!!!
  memset(a, 1, sizeof *a * N);
  memset(b, 1, sizeof *b * N);

  double dtime;
  const double mem = 3*sizeof(double)*N*R/1024/1024/1024;
  const double maxbw = 34.1;
  dtime = -omp_get_wtime();
  for(int i=0; i<R; i++) mul(a,b);
  dtime += omp_get_wtime();
  printf("time %.2f s, %.1f GB/s, efficency %.1f%%\n", dtime, mem/dtime, 100*mem/dtime/maxbw);

  _mm_free(a), _mm_free(b);
}

Answer 1

此问题与调用 omp_get_wtime() 后 AVX 寄存器的上半部分变脏有关。这对于 Skylake 处理器来说尤其是一个问题。

我第一次读到这个问题是 here .从那以后其他人也观察到这个问题:here和 here .

使用 gdb 我发现 omp_get_wtime() 调用了 clock_gettime。我重写了我的代码以使用 clock_gettime()，我发现了同样的问题。

void fix_avx() { __asm__ __volatile__ ( "vzeroupper" : : : ); }
void fix_sse() { }
void (*fix)();

double get_wtime() {
  struct timespec time;
  clock_gettime(CLOCK_MONOTONIC, &time);
  #ifndef  __AVX__ 
  fix();
  #endif
  return time.tv_sec + 1E-9*time.tv_nsec;
}

void dispatch() {
  fix = fix_sse;
  #if defined(__INTEL_COMPILER)
  if (_may_i_use_cpu_feature (_FEATURE_AVX)) fix = fix_avx;
  #else
  #if defined(__GNUC__) && !defined(__clang__)
  __builtin_cpu_init();
  #endif
  if(__builtin_cpu_supports("avx")) fix = fix_avx;
  #endif
}

使用 gdb 单步执行代码 我看到第一次调用 clock_gettime 时它调用了 _dl_runtime_resolve_avx()。我相信问题出在这个基于 this comment 的函数中.此函数似乎仅在第一次调用 clock_gettime 时被调用。

在 GCC 中，使用 //__asm__ __volatile__ ("vzeroupper": : : ); 在使用 clock_gettime 第一次调用之后问题消失了，但是使用 Clang(使用 clang -O2 -fno-vectorize 因为 Clang 甚至在 -O2 处进行矢量化)它只会在每次调用 clock_gettime 后使用它。

这是我用来测试它的代码(使用 GCC 6.3 和 Clang 3.8)

#include <string.h>
#include <stdio.h>
#include <x86intrin.h>
#include <time.h>

void fix_avx() { __asm__ __volatile__ ( "vzeroupper" : : : ); }
void fix_sse() { }
void (*fix)();

double get_wtime() {
  struct timespec time;
  clock_gettime(CLOCK_MONOTONIC, &time);
  #ifndef  __AVX__ 
  fix();
  #endif
  return time.tv_sec + 1E-9*time.tv_nsec;
}

void dispatch() {
  fix = fix_sse;
  #if defined(__INTEL_COMPILER)
  if (_may_i_use_cpu_feature (_FEATURE_AVX)) fix = fix_avx;
  #else
  #if defined(__GNUC__) && !defined(__clang__)
  __builtin_cpu_init();
  #endif
  if(__builtin_cpu_supports("avx")) fix = fix_avx;
  #endif
}

#define N 1000000
#define R 1000

void mul(double *a, double *b) {
  for (int i = 0; i<N; i++) a[i] *= b[i];
}

int main() {
  dispatch();
  const double mem = 3*sizeof(double)*N*R/1024/1024/1024;
  const double maxbw = 34.1;

  double *a = (double*)_mm_malloc(sizeof *a * N, 32);
  double *b = (double*)_mm_malloc(sizeof *b * N, 32);

  //b must be initialized to get the correct bandwidth!!!
  memset(a, 1, sizeof *a * N);
  memset(b, 1, sizeof *b * N);

  double dtime;
  //dtime = get_wtime(); // call once to fix GCC
  //printf("%f\n", dtime);
  //fix = fix_sse;

  dtime = -get_wtime();
  for(int i=0; i<R; i++) mul(a,b);
  dtime += get_wtime();
  printf("time %.2f s, %.1f GB/s, efficency %.1f%%\n", dtime, mem/dtime, 100*mem/dtime/maxbw);

  _mm_free(a), _mm_free(b);
}

---

如果我使用 -z now 禁用惰性函数调用解析(例如 clang -O2 -fno-vectorize -z now foo.c)，那么 Clang 只需要 __asm__ __volatile__ ( "vzeroupper": : : ); 在第一次调用 clock_gettime 之后，就像 GCC 一样。

我预计现在使用 -z 我只需要 __asm__ __volatile__ ( "vzeroupper": : : ); 就在 main() 但在第一次调用 clock_gettime 后我仍然需要它。