- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
有这个数组:
alignas(16) double c[voiceSize][blockSize];
这是我要优化的功能:
inline void Process(int voiceIndex, int blockSize) {
double *pC = c[voiceIndex];
double value = start + step * delta;
double deltaValue = rate * delta;
for (int sampleIndex = 0; sampleIndex < blockSize; sampleIndex++) {
pC[sampleIndex] = value + deltaValue * sampleIndex;
}
}
这是我的内在函数 (SSE2) 尝试:
inline void Process(int voiceIndex, int blockSize) {
double *pC = c[voiceIndex];
double value = start + step * delta;
double deltaValue = rate * delta;
__m128d value_add = _mm_set1_pd(value);
__m128d deltaValue_mul = _mm_set1_pd(deltaValue);
for (int sampleIndex = 0; sampleIndex < blockSize; sampleIndex += 2) {
__m128d result_mul = _mm_setr_pd(sampleIndex, sampleIndex + 1);
result_mul = _mm_mul_pd(result_mul, deltaValue_mul);
result_mul = _mm_add_pd(result_mul, value_add);
_mm_store_pd(pC + sampleIndex, result_mul);
}
}
不幸的是,它比“标量”(即使是自动优化的)原始代码慢:)
您认为瓶颈在哪里?我哪里错了?
我正在使用 MSVC
、Release/x86
、/02
优化标志(支持快速代码
) .
编辑:这样做(@wim 建议),性能似乎比 C 版本更好:
inline void Process(int voiceIndex, int blockSize) {
double *pC = c[voiceIndex];
double value = start + step * delta;
double deltaValue = rate * delta;
__m128d value_add = _mm_set1_pd(value);
__m128d deltaValue_mul = _mm_set1_pd(deltaValue);
__m128d sampleIndex_acc = _mm_set_pd(-1.0, -2.0);
__m128d sampleIndex_add = _mm_set1_pd(2.0);
for (int sampleIndex = 0; sampleIndex < blockSize; sampleIndex += 2) {
sampleIndex_acc = _mm_add_pd(sampleIndex_acc, sampleIndex_add);
__m128d result_mul = _mm_mul_pd(sampleIndex_acc, deltaValue_mul);
result_mul = _mm_add_pd(result_mul, value_add);
_mm_store_pd(pC + sampleIndex, result_mul);
}
}
为什么? _mm_setr_pd
贵吗?
最佳答案
Why? Is _mm_setr_pd expensive?
有点;至少需要洗牌。更重要的是,在这种情况下,计算每个标量操作数都非常昂贵,正如@spectras 的回答所示,gcc 至少无法将其自动矢量化为 paddd
。/cvtdq2pd
.相反,它从标量整数重新计算每个操作数,执行 int
-> double
分别转换,然后将它们混合在一起。
This is the function I'm trying to optimize:
您只是用线性函数填充数组。您每次在循环内都在重新乘以。这避免了对除整数循环计数器以外的任何事物的循环携带依赖性,但您会因在循环内执行大量工作而遇到吞吐量瓶颈。
即你在计算 a[i] = c + i*scale
分别为每一步。但是,您可以将其强度降低为 a[i+n] = a[i] + (n*scale)
.所以你只有一个 addpd
每个结果 vector 的指令。
这将引入一些舍入误差,这些误差会累积而不是从头开始重做计算,但是 double
无论如何,对于您正在做的事情来说可能有点矫枉过正。
它还以引入对 FP 加法而不是整数的串行依赖为代价。但是您已经在使用 sampleIndex_acc = _mm_add_pd(sampleIndex_acc, sampleIndex_add);
的“优化”版本中有一个循环携带的 FP 添加依赖链。在循环内部,使用 FP += 2.0 而不是从整数重新转换。
因此,您需要展开多个 vector 以隐藏 FP 延迟,并同时保持至少 3 或 4 个 FP 添加在飞行中。 (Haswell:3 个周期延迟,每个时钟吞吐量一个。Skylake:4 个周期延迟,每个时钟吞吐量 2 个。)另见 Why does mulss take only 3 cycles on Haswell, different from Agner's instruction tables?有关使用多个累加器展开的更多信息,以解决具有循环携带依赖项(点积)的类似问题。
void Process(int voiceIndex, int blockSize) {
double *pC = c[voiceIndex];
double val0 = start + step * delta;
double deltaValue = rate * delta;
__m128d vdelta2 = _mm_set1_pd(2 * deltaValue);
__m128d vdelta4 = _mm_add_pd(vdelta2, vdelta2);
__m128d v0 = _mm_setr_pd(val0, val0 + deltaValue);
__m128d v1 = _mm_add_pd(v0, vdelta2);
__m128d v2 = _mm_add_pd(v0, vdelta4);
__m128d v3 = _mm_add_pd(v1, vdelta4);
__m128d vdelta8 = _mm_mul_pd(vdelta2, _mm_set1_pd(4.0));
double *endp = pC + blocksize - 7; // stop if there's only room for 7 or fewer doubles
// or use -8 and have your cleanup handle lengths of 1..8
// since the inner loop always calculates results for next iteration
for (; pC < endp ; pC += 8) {
_mm_store_pd(pC, v0);
v0 = _mm_add_pd(v0, vdelta8);
_mm_store_pd(pC+2, v1);
v1 = _mm_add_pd(v1, vdelta8);
_mm_store_pd(pC+4, v2);
v2 = _mm_add_pd(v2, vdelta8);
_mm_store_pd(pC+6, v3);
v3 = _mm_add_pd(v3, vdelta8);
}
// if (blocksize % 8 != 0) ... store final vectors
}
构建时加还是乘的选择vdelta4
/vdelta8
不是很重要;在第一家商店出现之前,我试图避免太长的依赖链。自 v0
通过v3
也需要计算,创建一个 vdelta4
似乎是有意义的而不是仅仅制作一个链v2 = v1+vdelta2
.也许创建 vdelta4
会更好从 4.0*delta
乘以, 加倍得到 vdelta8
.这可能与非常小的 block 大小相关,特别是如果您通过仅根据需要在读取该数组之前生成该数组的小块来缓存 block 代码。
无论如何,这会通过 gcc 和 MSVC ( on the Godbolt compiler explorer ) 编译成一个非常高效的内部循环。
;; MSVC -O2
$LL4@Process: ; do {
movups XMMWORD PTR [rax], xmm5
movups XMMWORD PTR [rax+16], xmm0
movups XMMWORD PTR [rax+32], xmm1
movups XMMWORD PTR [rax+48], xmm2
add rax, 64 ; 00000040H
addpd xmm5, xmm3 ; v0 += vdelta8
addpd xmm0, xmm3 ; v1 += vdelta8
addpd xmm1, xmm3 ; v2 += vdelta8
addpd xmm2, xmm3 ; v3 += vdelta8
cmp rax, rcx
jb SHORT $LL4@Process ; }while(pC < endp)
这有 4 个独立的依赖链,通过 xmm0、1、2 和 5。所以有足够的指令级并行性来保持 4 addpd
飞行中的指示。这对 Haswell 来说绰绰有余,但只有 Skylake 可以承受的一半。
仍然,存储吞吐量为每时钟 1 个 vector ,超过 1 addpd
每个时钟没有用。 理论上,这可以以每个时钟周期大约 16 字节的速度运行,并使存储吞吐量饱和。即 1 vector/2 double
每时钟 s。
具有更宽 vector (4 double
s) 的 AVX 在 Haswell 及更高版本上仍可以每时钟 1 个 vector ,即每时钟 32 字节。 (假设输出数组在 L1d 缓存或什至 L2 缓存中是热的。)
在需要时即时生成它,如果使用它的代码只读取它几次,并且也被手动矢量化。
关于c++ - Add+Mul 使用 Intrinsics 变得更慢——我哪里错了?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53834135/
自己试试看: import pandas as pd s=pd.Series(xrange(5000000)) %timeit s.loc[[0]] # You need pandas 0.15.1
我最近开始使用 Delphi 中的 DataSnap 来生成 RESTful Web 服务。在遵循 Marco Cantu 本人和互联网上其他几个人的指导后,我成功地使整个“链条”正常工作。 但是有一
我一直在为操作系统类(class)编写以下代码,但结果有些奇怪。该代码创建x线程并同时运行它们,以便将两个平方矩阵相乘。每个线程将输入矩阵的Number_of_rows/Number_of_threa
我正在尝试确定何时使用 parallel包以加快运行某些分析所需的时间。我需要做的一件事是创建矩阵,比较具有不同行数的两个数据框中的变量。我在 StackOverflow 上问了一个关于有效方法的问题
我最近对我的代码进行了一些清理,并在此过程中更改了此内容(不完全是真实的代码): read = act readSTRef test1 term i var = do t v^!terms.
我正在计时查询和同一个查询的执行时间,分页。 foreach (var x in productSource.OrderBy(p => p.AdminDisplayName) .Wher
我正在开发一个项目 (WPF),我有一个 Datagrid 从数据库加载超过 5000 条记录,所以我使用 BackgroundWorker 来通知用户数据正在加载,但它太慢了,我需要等待将近 2分钟
我在查询中添加 ORDER BY 时遇到问题。没有 ORDER BY 查询大约需要 26ms,一旦我添加 ORDER BY,它大约需要 20s。 我尝试了几种不同的方法,但似乎可以减少时间。 尝试 F
我是 Android 开发新手,遇到了性能问题。当我的 GridView 有太多项目时,它会变得有点慢。有什么方法可以让它运行得更快一些吗? 这是我使用的代码: 适配器: public class C
这里的要点是: 1.设置query_cache_type = 0;重置查询缓存; 2.在 heidisql(或任何其他客户端 UI)中运行任何查询 --> 执行,例如 45 毫秒 3.使用以下代码运行
想象下表: CREATE TABLE drops( id BIGSERIAL PRIMARY KEY, loc VARCHAR(5) NOT NULL, tag INT NOT
我的表 test_table 中的示例数据: date symbol value created_time 2010-01-09 symbol1
首先,如果已经有人问过这个问题,我深表歉意,至少我找不到任何东西。 无论如何,我将每 5 分钟运行一次 cron 任务。该脚本加载 79 个外部页面,而每个页面包含大约 200 个我需要在数据库中检查
我有下面的 SQL 代码,它来自 MySQL 数据库。现在它给了我期望的结果,但是查询很慢,我想我应该在进一步之前加快这个查询的速度。 表agentstatusinformation有: PKEY(主
我需要获取一个对象在 Core Data 中数千个其他对象之间的排名。现在,这是我的代码: - (void)rankMethod { //Fetch all objects NSFet
我正在编写一个应用程序,我需要在其中读取用户的地址簿并显示他所有联系人的列表。我正在测试的 iPhone 有大约 100 个联系人,加载联系人确实需要很多时间。 ABAddressBookRef ad
我正在使用 javascript 将 160 行添加到包含 10 列的表格中。如果我这样做: var cellText = document.createTextNode(value); cell.a
我是 Swift 的新手,我已经设置了一个 tableView,它从 JSON 提要中提取数据并将其加载到表中。 表格加载正常,但是当表格中有超过 10 个单元格时,它会变得缓慢且有些滞后,特别是它到
我在 InitializeCulture 和 Page_PreInit 事件之间的 asp.net 页面中遇到性能问题。当我重写 DeterminePostBackMode() 时,我发现问题出在 b
我在 Hetzner 上有一个带有 256GB RAM 6 个 CPU(12 个线程) 的专用服务器,它位于德国。我有 CENTOS 7.5。 EA4。 我的问题是 SSL。每天大约 2 小时,我们在
我是一名优秀的程序员,十分优秀!