c++ - 将 SSE 矩阵 vector 乘法代码转换为 AVX

Question

我正在尝试将我的 SSE 函数转换为 AVX。该函数执行 vector 矩阵乘法，这是我的工作 SSE 代码:

void multiply_matrix_by_vector_SSE(float* m, float* v, float* result, unsigned const int vector_dims)
{
    size_t i, j;
    for (i = 0; i < vector_dims; ++i)
    {
        __m128 acc = _mm_setzero_ps();
        for (j = 0; j < vector_dims; j += 4)
        {
            __m128 vec = _mm_load_ps(&v[j]);
            __m128 mat = _mm_load_ps(&m[j + vector_dims * i]);
            //acc = _mm_add_ps(acc, _mm_mul_ps(mat, vec));
            acc = _mm_fmadd_ps(mat, vec, acc);
        }
        acc = _mm_hadd_ps(acc, acc);
        acc = _mm_hadd_ps(acc, acc);
        _mm_store_ss(&result[i], acc);
    }
}

下面是我对 AVX 的看法:

void multiply_matrix_by_vector_AVX(float* m, float* v, float* result, unsigned const int vector_dims)
{
    size_t i, j;

    for (i = 0; i < vector_dims; ++i)
    {
        __m256 acc = _mm256_setzero_ps();
        for (j = 0; j < vector_dims; j += 8)
        {
            __m256 vec = _mm256_load_ps(&v[j]);
            __m256 mat = _mm256_load_ps(&m[j + vector_dims * i]);
            acc = _mm256_fmadd_ps(mat, vec, acc);
        }
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);

        _mm256_store_ps(&result[i], acc);
    }
}

然而，AVX 代码崩溃(访问冲突读取位置 0xFFFFFFFFFFFFFFFF)。

---

谁能帮助我使我的 AVX 功能正常工作？

PS:我在函数中传递的矩阵和 vector 的大小始终是 8 的倍数。此外，我传递给 SSE 函数的数组是 16 位对齐的 (__declspec(align(16))float * = generate_matrix(256);) 并且我传递给我的 AVX 函数的数组是 32 位对齐的 (__declspec(align(32))float* = generate_matrix(256);) ;

Answer 1

不幸的是，像这样使用水平加法并不能简单地扩展到 256 位，因为指令(和大多数其他指令)是“分道式”的——它就像两个并行的 haddps，一个在上半部分和下半部分，没有混合，所以下半部分和上半部分不会相加。

另外，当然，它仍然不是一个打包的结果，并且那个打包的存储有一个对齐的存储写入一些未对齐的地址并且会失败(这个错误有点奇怪但无论如何)。

无论如何，让我们修复水平总和:(未测试)

// this part still works
acc = _mm256_hadd_ps(acc, acc);
acc = _mm256_hadd_ps(acc, acc);
// this is new
__m128 acc1 = _mm256_extractf128_ps(acc, 0);
__m128 acc2 = _mm256_extractf128_ps(acc, 1);
acc1 = _mm_add_ss(acc1, acc2);
// do scalar store, obviously
_mm_store_ss(&result[i], acc1);

顺便说一下，为了最大化 Haswell 上的吞吐量，内部循环需要 10 个独立的链(和 10 个累加器)。