gpt4 book ai didi

c - 如何从 AVX 内在函数中获得用于计算基本统计数据的性能提升?

转载 作者:太空宇宙 更新时间:2023-11-04 08:02:55 38 4
gpt4 key购买 nike

我的问题是关于使用 AVX 指令与朴素方法的性能。

我从我的 AVX 方法中得到的答案与我从天真的方法中得到的答案相同且正确,但使用 AVX 指令得到答案所需的时间稍长,所以我想知道我做错了什么/向量化代码效率低下。

这个问题有点太复杂了,无法提供独立的可编译代码单元,对此我深表歉意。但是,我在下面有一些功能性代码片段,我希望它们相当简单明了且样式得体,希望它们足够容易理解以处理手头的问题。

一些环境细节:

  • 这两种方法都是使用 Clang(Apple LLVM 版本 8.1.0 (clang-802.0.42))编译的。
  • 我正在使用 -mavx 标志进行编译。
  • 我的硬件(配备 Intel Core i7 处理器的 MacBook Pro)声称支持 AVX 指令。

我有一个程序,用户提供一个多行文本文件,每行包含一个逗号分隔的数字字符串,即 n 维 vector 列表,其中 n 对于文件是任意的,但是(除非输入错误)对于每一行都是相同的值 n

例如:

0,4,6,1,2,22,0,2,30,...,39,14,0,3,3,3,1,3,0,3,2,1
0,0,1,1,0,0,0,8,0,1,...,6,0,0,4,0,0,0,0,7,0,8,2,0
...
1,0,1,0,1,0,0,2,0,1,...,2,0,0,0,0,0,2,1,1,0,2,0,0

我通过比较这些 vector 生成一些统计分数,例如 Pearson 相关性,但分数函数可以是任何东西,比如简单的东西,例如算术平均值。

朴素的方法

这些 vector 中的每一个都被放入一个指向名为 signal_t 的结构的指针中:

typedef struct signal {
uint32_t n;
score_t* data;
score_t mean;
} signal_t;

score_t 类型只是 float 的类型定义:

typedef float score_t;

首先,我将字符串解析为 float (score_t) 值并计算算术平均值:

signal_t* s = NULL;
s = malloc(sizeof(signal_t));
if (!s) {
fprintf(stderr, "Error: Could not allocate space for signal pointer!\n");
exit(EXIT_FAILURE);
}
s->n = 1;
s->data = NULL;
s->mean = NAN;

for (uint32_t idx = 0; idx < strlen(vector_string); idx++) {
if (vector_string[idx] == ',') {
s->n++;
}
}

s->data = malloc(sizeof(*s->data) * s->n);
if (!s->data) {
fprintf(stderr, "Error: Could not allocate space for signal data pointer!\n");
exit(EXIT_FAILURE);
}
char* start = vector_string;
char* end = vector_string;
char entry_buf[ENTRY_MAX_LEN];
uint32_t entry_idx = 0;
bool finished_parsing = false;
bool data_contains_nan = false;
do {
end = strchr(start, ',');
if (!end) {
end = vector_string + strlen(vector_string);
finished_parsing = true;
}
memcpy(entry_buf, start, end - start);
entry_buf[end - start] = '\0';
sscanf(entry_buf, "%f", &s->data[entry_idx++]);
if (isnan(s->data[entry_idx - 1])) {
data_contains_nan = true;
}
start = end + 1;
} while (!finished_parsing);

if (!data_contains_nan) {
s->mean = pt_mean_signal(s->data, s->n);
}

算术平均值非常简单:

score_t pt_mean_signal(score_t* d, uint32_t len)
{
score_t s = 0.0f;
for (uint32_t idx = 0; idx < len; idx++) {
s += d[idx];
}
return s / len;
}

朴素的表现

在 10k vector 字符串的文件上运行这种方法,我得到了 6.58 秒的运行时间。

AVX 方法

我有一个名为 signal_avx_t 的修改过的 signal_t 结构:

typedef struct signal_avx {
uint32_t n_raw;
uint32_t n;
__m256* data;
score_t mean;
} signal_avx_t;

这存储指向 __m256 地址的指针。每个 __m256 存储八个单精度 float 值。为了方便起见,我定义了一个名为 AVX_FLOAT_N 的常量来存储这个倍数,例如:

#define AVX_FLOAT_N 8

下面是我如何解析 vector 字符串并将其存储在 __m256 中。这与原始方法非常相似,除了现在我一次将八个值读入缓冲区,将缓冲区写入 __m256,然后重复,直到没有更多值可写。然后我计算平均值:

signal_avx_t* s = NULL;
s = malloc(sizeof(signal_avx_t));
if (!s) {
fprintf(stderr, "Error: Could not allocate space for signal_avx pointer!\n");
exit(EXIT_FAILURE);
}
s->n_raw = 1;
s->n = 0;
s->data = NULL;
s->mean = NAN;

for (uint32_t idx = 0; idx < strlen(vector_string); idx++) {
if (vector_string[idx] == ',') {
s->n_raw++;
}
}

score_t signal_buf[AVX_FLOAT_N];

s->n = (uint32_t) ceil((float)(s->n_raw) / AVX_FLOAT_N);
s->data = malloc(sizeof(*s->data) * s->n);
if (!s->data) {
fprintf(stderr, "Error: Could not allocate space for signal_avx data pointer!\n");
exit(EXIT_FAILURE);
}
char* start = id;
char* end = id;
char entry_buf[ENTRY_MAX_LEN];
uint32_t entry_idx = 0;
uint32_t data_idx = 0;
bool finished_parsing = false;
bool data_contains_nan = false;

do {
end = strchr(start, ',');
if (!end) {
end = vector_string + strlen(vector_string);
finished_parsing = true;
}
memcpy(entry_buf, start, end - start);
entry_buf[end - start] = '\0';
sscanf(entry_buf, "%f", &signal_buf[entry_idx++ % AVX_FLOAT_N]);
if (isnan(signal_buf[(entry_idx - 1) % AVX_FLOAT_N])) {
data_contains_nan = true;
}
start = end + 1;

/* I write every eight floats to an __m256 chunk of memory */
if (entry_idx % AVX_FLOAT_N == 0) {
s->data[data_idx++] = _mm256_setr_ps(signal_buf[0],
signal_buf[1],
signal_buf[2],
signal_buf[3],
signal_buf[4],
signal_buf[5],
signal_buf[6],
signal_buf[7]);
}
} while (!finished_parsing);

if (!data_contains_nan) {
/* write any leftover floats to the last `__m256` */
if (entry_idx % AVX_FLOAT_N != 0) {
for (uint32_t idx = entry_idx % AVX_FLOAT_N; idx < AVX_FLOAT_N; idx++) {
signal_buf[idx] = 0;
}
s->data[data_idx++] = _mm256_setr_ps(signal_buf[0],
signal_buf[1],
signal_buf[2],
signal_buf[3],
signal_buf[4],
signal_buf[5],
signal_buf[6],
signal_buf[7]);
}
s->mean = pt_mean_signal_avx(s->data, s->n, s->n_raw);
}

AVX 均值函数

这是我编写的用于生成算术平均值的函数:

score_t pt_mean_signal_avx(__m256* d, uint32_t len, uint32_t len_raw)
{
score_t s = 0.0f;
/* initialize a zero-value vector to collect summed value */
__m256 v_sum = _mm256_setzero_ps();
/* add data to collector */
for (uint32_t idx = 0; idx < len; idx++) {
v_sum = _mm256_add_ps(v_sum, d[idx]);
}
/* sum the collector values */
score_t* res = (score_t*)&v_sum;
for (uint32_t idx = 0; idx < AVX_FLOAT_N; idx++) {
s += res[idx];
}
return s / len_raw;
}

AVX 性能

在 10k vector 字符串文件上运行基于 AVX 的方法时,我得到了 6.86 秒的运行时间,大约慢了 5%。无论输入的大小如何,这种差异大致恒定。

总结

我的预期是,通过使用 AVX 指令和矢量化循环,我会得到一个减速带,而不是性能会略微变差。

代码片段中是否有任何暗示滥用 __m256 数据类型和相关内部函数以计算基本汇总统计信息的内容?

主要是,在处理较大数据集之间更复杂的评分函数之前,我想弄清楚我在这里做错了什么。感谢您提供任何建设性建议!

最佳答案

首先,我希望我们同意,将文本解析为 float 可能比算术平均更占用 CPU,更不用说从物理存储上的文件中读取数据了。如果你打算做一个基准测试,你绝对应该省略读取和解析。

这里的主要问题似乎是您试图在阅读时进行矢量化。实际上,您所做的是将数据从 signal_buf 复制到 s

您必须意识到 __mm256_* 并不是真正的内存数据类型。它只是一个宏,用于确保您使用的内存地址和寄存器具有 256 位值的能力。

所以,只需将您的 signal_buf__mm256_load_ps 加载到 SIMD 寄存器中,然后在其上执行您的 AVX 魔法,或者依次填充 s 直接使用 sscanf 然后执行相同的 __mm256_load_ps 魔术。

我真的不明白你为什么要使用 setr .为什么需要颠倒算术平均值的元素顺序?或者这是您的“穷人的负载指令”?

同样,您在 float 学方面的努力,尤其是如果您编写编译器甚至可能能够自动矢量化的代码,并不是在这里花费时间的原因。就是字符串的解析。

VOLK ( vector 优化内核库)有很多手写的 SIMD 内核,包括一个累积 float 数组的内核:

https://github.com/gnuradio/volk/blob/master/kernels/volk/volk_32f_accumulator_s32f.h

AVX 代码如下所示:

static inline void
volk_32f_accumulator_s32f_a_avx(float* result, const float* inputBuffer, unsigned int num_points)
{
float returnValue = 0;
unsigned int number = 0;
const unsigned int eighthPoints = num_points / 8;

const float* aPtr = inputBuffer;
__VOLK_ATTR_ALIGNED(32) float tempBuffer[8];

__m256 accumulator = _mm256_setzero_ps();
__m256 aVal = _mm256_setzero_ps();

for(;number < eighthPoints; number++){
aVal = _mm256_load_ps(aPtr);
accumulator = _mm256_add_ps(accumulator, aVal);
aPtr += 8;
}

_mm256_store_ps(tempBuffer, accumulator);

returnValue = tempBuffer[0];
returnValue += tempBuffer[1];
returnValue += tempBuffer[2];
returnValue += tempBuffer[3];
returnValue += tempBuffer[4];
returnValue += tempBuffer[5];
returnValue += tempBuffer[6];
returnValue += tempBuffer[7];

number = eighthPoints * 8;
for(;number < num_points; number++){
returnValue += (*aPtr++);
}
*result = returnValue;
}

它的作用是拥有一个八个元素累加器,它不断地向其中添加八个新元素的集合(分别),然后最后返回这八个累加器的总和。

关于c - 如何从 AVX 内在函数中获得用于计算基本统计数据的性能提升?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44769060/

38 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com