- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
众所周知,CPU 是流水线,如果命令序列彼此独立,它的工作效率最高 - 这称为 ILP(指令级并行):http://en.wikipedia.org/wiki/Instruction-level_parallelism
但是否有一个真正有效的示例显示 ILP 的好处,至少是合成示例,对于 CPU x86_64(但对于相同数量的 cmp
/jne
在这两种情况下)?
我将编写以下示例 - 将数组的所有元素相加,但它没有显示出 ILP 的任何优势:http://ideone.com/fork/poWfsm
for(i = 0; i < arr_size; i += 8) {
result += arr[i+0] + arr[i+1] +
arr[i+2] + arr[i+3] +
arr[i+4] + arr[i+5] +
arr[i+6] + arr[i+7];
}
register unsigned int v0, v1, v2, v3;
v0 = v1 = v2 = v3 = 0;
for(i = 0; i < arr_size; i += 8) {
v0 += arr[i+0] + arr[i+1];
v1 += arr[i+2] + arr[i+3];
v2 += arr[i+4] + arr[i+5];
v3 += arr[i+6] + arr[i+7];
}
result = v0+v1+v2+v3;
结果:
seq: 0.100000 sec, res: 1000000000, ipl: 0.110000 sec, faster 0.909091 X, res: 1000000000
seq: 0.100000 sec, res: 1000000000, ipl: 0.100000 sec, faster 1.000000 X, res: 1000000000
seq: 0.100000 sec, res: 1000000000, ipl: 0.110000 sec, faster 0.909091 X, res: 1000000000
seq: 0.100000 sec, res: 1000000000, ipl: 0.100000 sec, faster 1.000000 X, res: 1000000000
seq: 0.110000 sec, res: 1000000000, ipl: 0.110000 sec, faster 1.000000 X, res: 1000000000
seq: 0.100000 sec, res: 1000000000, ipl: 0.110000 sec, faster 0.909091 X, res: 1000000000
seq: 0.100000 sec, res: 1000000000, ipl: 0.110000 sec, faster 0.909091 X, res: 1000000000
seq: 0.110000 sec, res: 1000000000, ipl: 0.100000 sec, faster 1.100000 X, res: 1000000000
seq: 0.110000 sec, res: 1000000000, ipl: 0.100000 sec, faster 1.100000 X, res: 1000000000
seq: 0.110000 sec, res: 1000000000, ipl: 0.120000 sec, faster 0.916667 X, res: 1000000000
faster AVG: 0.975303
ILP 甚至比 Sequential 慢一点。
C 代码:http://ideone.com/fork/poWfsm
#include <time.h>
#include <stdio.h>
#include <stdlib.h>
int main() {
// create and init array
const size_t arr_size = 100000000;
unsigned int *arr = (unsigned int*) malloc(arr_size * sizeof(unsigned int));
size_t i, k;
for(i = 0; i < arr_size; ++i)
arr[i] = 10;
unsigned int result = 0;
clock_t start, end;
const int c_iterations = 10; // iterations of experiment
float faster_avg = 0;
// -----------------------------------------------------------------
for(k = 0; k < c_iterations; ++k) {
result = 0;
// Sequential
start = clock();
for(i = 0; i < arr_size; i += 8) {
result += arr[i+0] + arr[i+1] +
arr[i+2] + arr[i+3] +
arr[i+4] + arr[i+5] +
arr[i+6] + arr[i+7];
}
end = clock();
const float c_time_seq = (float)(end - start)/CLOCKS_PER_SEC;
printf("seq: %f sec, res: %u, ", c_time_seq, result);
// -----------------------------------------------------------------
result = 0;
// IPL-optimization
start = clock();
register unsigned int v0, v1, v2, v3;
v0 = v1 = v2 = v3 = 0;
for(i = 0; i < arr_size; i += 8) {
v0 += arr[i+0] + arr[i+1];
v1 += arr[i+2] + arr[i+3];
v2 += arr[i+4] + arr[i+5];
v3 += arr[i+6] + arr[i+7];
}
result = v0+v1+v2+v3;
end = clock();
const float c_time_ipl = (float)(end - start)/CLOCKS_PER_SEC;
const float c_faster = c_time_seq/c_time_ipl;
printf("ipl: %f sec, faster %f X, res: %u \n", c_time_ipl, c_faster, result);
faster_avg += c_faster;
}
faster_avg = faster_avg/c_iterations;
printf("faster AVG: %f \n", faster_avg);
return 0;
}
更新:
for (i = 0; i < arr_size; i += 8) {
result += arr[i + 0] + arr[i + 1] +
arr[i + 2] + arr[i + 3] +
arr[i + 4] + arr[i + 5] +
arr[i + 6] + arr[i + 7];
}
000000013F131080 mov ecx,dword ptr [rdx-18h]
000000013F131083 lea rdx,[rdx+20h]
000000013F131087 add ecx,dword ptr [rdx-34h]
000000013F13108A add ecx,dword ptr [rdx-30h]
000000013F13108D add ecx,dword ptr [rdx-2Ch]
000000013F131090 add ecx,dword ptr [rdx-28h]
000000013F131093 add ecx,dword ptr [rdx-24h]
000000013F131096 add ecx,dword ptr [rdx-1Ch]
000000013F131099 add ecx,dword ptr [rdx-20h]
000000013F13109C add edi,ecx
000000013F13109E dec r8
000000013F1310A1 jne main+80h (013F131080h)
for (i = 0; i < arr_size; i += 8) {
v0 += arr[i + 0] + arr[i + 1];
000000013F1310F0 mov ecx,dword ptr [rdx-0Ch]
v1 += arr[i + 2] + arr[i + 3];
v2 += arr[i + 4] + arr[i + 5];
000000013F1310F3 mov eax,dword ptr [rdx+8]
000000013F1310F6 lea rdx,[rdx+20h]
000000013F1310FA add ecx,dword ptr [rdx-28h]
000000013F1310FD add eax,dword ptr [rdx-1Ch]
000000013F131100 add ebp,ecx
000000013F131102 mov ecx,dword ptr [rdx-24h]
000000013F131105 add ebx,eax
000000013F131107 add ecx,dword ptr [rdx-20h]
v3 += arr[i + 6] + arr[i + 7];
000000013F13110A mov eax,dword ptr [rdx-10h]
v3 += arr[i + 6] + arr[i + 7];
000000013F13110D add eax,dword ptr [rdx-14h]
000000013F131110 add esi,ecx
000000013F131112 add edi,eax
000000013F131114 dec r8
000000013F131117 jne main+0F0h (013F1310F0h)
}
result = v0 + v1 + v2 + v3;
编译器命令行:
/GS /GL /W3 /Gy /Zc:wchar_t /Zi /Gm- /O2 /Ob2 /sdl /Fd"x64\Release\vc120.pdb" /fp:precise /D "_MBCS" /errorReport:prompt /WX- /Zc:forScope /Gd /Oi /MT /Fa"x64\Release\" /EHsc /nologo /Fo"x64\Release\" /Ot /Fp"x64\Release\IPL_reduce_test.pch"
答案的附加说明:
这个简单的例子展示了 50000000 双元素数组的 Unroll-loop 和 Unroll-loop+ILP 之间的 ILP 的好处:http://ideone.com/LgTP6b
faster AVG: 1.152778
xmm0
然后添加到结果 xmm6
,即可以使用 Register renaming :result += arr[i + 0] + arr[i + 1] + arr[i + 2] + arr[i + 3] +
arr[i + 4] + arr[i + 5] + arr[i + 6] + arr[i + 7];
000000013FBA1090 movsd xmm0,mmword ptr [rcx-10h]
000000013FBA1095 add rcx,40h
000000013FBA1099 addsd xmm0,mmword ptr [rcx-48h]
000000013FBA109E addsd xmm0,mmword ptr [rcx-40h]
000000013FBA10A3 addsd xmm0,mmword ptr [rcx-38h]
000000013FBA10A8 addsd xmm0,mmword ptr [rcx-30h]
000000013FBA10AD addsd xmm0,mmword ptr [rcx-28h]
000000013FBA10B2 addsd xmm0,mmword ptr [rcx-20h]
000000013FBA10B7 addsd xmm0,mmword ptr [rcx-18h]
000000013FBA10BC addsd xmm6,xmm0
000000013FBA10C0 dec rdx
000000013FBA10C3 jne main+90h (013FBA1090h)
xmm6
,即不能使用 Register renaming : result += arr[i + 0];
000000013FFC1090 addsd xmm6,mmword ptr [rcx-10h]
000000013FFC1095 add rcx,40h
result += arr[i + 1];
000000013FFC1099 addsd xmm6,mmword ptr [rcx-48h]
result += arr[i + 2];
000000013FFC109E addsd xmm6,mmword ptr [rcx-40h]
result += arr[i + 3];
000000013FFC10A3 addsd xmm6,mmword ptr [rcx-38h]
result += arr[i + 4];
000000013FFC10A8 addsd xmm6,mmword ptr [rcx-30h]
result += arr[i + 5];
000000013FFC10AD addsd xmm6,mmword ptr [rcx-28h]
result += arr[i + 6];
000000013FFC10B2 addsd xmm6,mmword ptr [rcx-20h]
result += arr[i + 7];
000000013FFC10B7 addsd xmm6,mmword ptr [rcx-18h]
000000013FFC10BC dec rdx
000000013FFC10BF jne main+90h (013FFC1090h)
最佳答案
在大多数 Intel 处理器上,执行浮点加法需要 3 个周期。但如果它们是独立的,它最多可以维持 1 个/周期。
我们可以通过在关键路径上放置浮点加法来轻松演示 ILP。
环境:
-O2
确保编译器不会进行不安全的浮点优化。
#include <iostream>
using namespace std;
#include <time.h>
const int iterations = 1000000000;
double sequential(){
double a = 2.3;
double result = 0;
for (int c = 0; c < iterations; c += 4){
// Every add depends on the previous add. No ILP is possible.
result += a;
result += a;
result += a;
result += a;
}
return result;
}
double optimized(){
double a = 2.3;
double result0 = 0;
double result1 = 0;
double result2 = 0;
double result3 = 0;
for (int c = 0; c < iterations; c += 4){
// 4 independent adds. Up to 4 adds can be run in parallel.
result0 += a;
result1 += a;
result2 += a;
result3 += a;
}
return result0 + result1 + result2 + result3;
}
int main(){
clock_t start0 = clock();
double sum0 = sequential();
clock_t end0 = clock();
cout << "sum = " << sum0 << endl;
cout << "sequential time: " << (double)(end0 - start0) / CLOCKS_PER_SEC << endl;
clock_t start1 = clock();
double sum1 = optimized();
clock_t end1 = clock();
cout << "sum = " << sum1 << endl;
cout << "optimized time: " << (double)(end1 - start1) / CLOCKS_PER_SEC << endl;
}
输出:
sum = 2.3e+09
sequential time: 0.948138
sum = 2.3e+09
optimized time: 0.317293
请注意差异几乎正好是 3 倍。这是因为浮点加法的 3 个周期延迟和 1 个周期吞吐量。
顺序版本的 ILP 很少,因为所有浮点加法都在关键路径上。 (每个添加都需要等到前一个添加完成)展开的版本有 4 个独立的依赖链,最多有 4 个独立的添加——所有这些都可以并行运行。只需 3 个即可使处理器内核饱和。
关于c++ - 是否有一个真正有效的示例显示了 x86_64 上 ILP(指令级并行)的好处?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27748020/
我遇到了一个奇怪的问题。我有这个: $(document).ready(function () {
我正在编写一个程序,它从列表中读取一些 ID,从中找出不同的 URL,然后将图像保存到我的 C: 驱动器中。 如果我在浏览器中导航到图像 URL,它们就会起作用。此外,如果我尝试从不同的服务器获取图像
我编写了一个 REST WCF RIA Silverlight 4.0 兼容服务,我可以从 javascript + jQuery.1.4.2.js + JSON2.js(当然,还可以从 .NET 4
我很确定这个网站实际上还没有得到回答。一劳永逸地,与 32 位有符号整数范围内的数字字符串匹配的最小正则表达式是什么,范围是 -2147483648至 2147483647 . 我必须使用正则表达式进
我有两个data.table;我想从那些与键匹配的元素中随机分配一个元素。我现在这样做的方式相当慢。 让我们具体点;这是一些示例数据: dt1<-data.table(id=sample(letter
我已经安装了 celery 、RabitMQ 和花。我可以浏览到花港。我有以下简单的工作人员,我可以将其附加到 celery 并从 python 程序调用: # -*- coding: utf-8 -
我正在使用 ScalaCheck 在 ScalaTest 中进行一些基于属性的测试。假设我想测试一个函数,f(x: Double): Double仅针对 x >= 0.0 定义的, 并返回 NaN对于
我想检查文件是否具有有效的 IMAGE_DOS_SIGNATURE (MZ) function isMZ(FileName : String) : boolean; var Signature: W
在 Herbert Schildt 的“Java:完整引用,第 9 版”中,有一个让我有点困惑的例子。它的关键点我无法理解可以概括为以下代码: class Test { public stat
我在工作中查看了一些代码,发现了一些我以前没有遇到过的东西: for (; ;) { // Some code here break; } 我们一直调用包含这个的函数,我最近才进去看看它是
在 Herbert Schildt 的“Java:完整引用,第 9 版”中,有一个让我有点困惑的例子。它的关键点我无法理解可以概括为以下代码: class Test { public stat
我试图编写一个函数,获取 2D 点矩阵和概率 p 并以概率 p 更改或交换每个点坐标 所以我问了一个question我试图使用二进制序列作为特定矩阵 swap_matrix=[[0,1],[1,0]]
这个问题在这里已经有了答案: Using / or \\ for folder paths in C# (5 个答案) 关闭 7 年前。 我在某个Class1中有这个功能: public v
PostgreSQL 10.4 我有一张 table : Column | Type ------------------------- id | integer| title
我正在 Postgresql 中编写一个函数,它将返回一些针对特定时区(输入)计算的指标。 示例结果: 主要问题是这只是一个指标。我需要从其他表中获取其他 9 个指标。 对于实现此目标的更简洁的方法有
我需要在 python 中模拟超几何分布(用于不替换采样元素的花哨词)。 设置:有一个装满人口许多弹珠的袋子。弹珠有两种类型,红色和绿色(在以下实现中,弹珠表示为 True 和 False)。从袋子中
我正在使用 MaterializeCSS 框架并动态填充文本输入。我遇到的一个问题是,在我关注该字段之前,valid 和 invalid css 类不会添加到我的字段中。 即使我调用 M.update
是否有重叠 2 个 div 的有效方法。 我有以下内容,但无法让它们重叠。 #top-border{width:100%; height:60px; background:url(image.jpg)
我希望你们中的一位能向我解释为什么编译器要求我在编译单元中重新定义一个静态固定长度数组,尽管我已经在头文件中这样做了。这是一个例子: 我的类.h: #ifndef MYCLASS_H #define
我正在使用旧线程发布试图解决相同问题的新代码。什么是安全 pickle ? this? socks .py from socket import socket from socket import A
我是一名优秀的程序员,十分优秀!