gpt4 book ai didi

gcc - 使用 icc、gcc 和 clang 的相同实现的不同性能的原因是什么?

转载 作者:行者123 更新时间:2023-12-01 10:25:04 27 4
gpt4 key购买 nike

我已经为 a[i]=a[i-1]+c 实现了一个程序我代表她。我用 begin_rdtsc and end_rdtsc读取和存储 rdtsc 以测量加速比。

程序如下,我用的是x86intrin.h

#define MAX1 512
#define LEN MAX1*MAX1 //array size for time measure ments
int __attribute__(( aligned(32))) a[LEN];

int main(){

singleCore // It's a macro to assign the program to a single core of the processor
int i, b, c;

begin_rdtsc

// b=1 and c=2 in this case
b = 1;
c = 2;
i = 0;

a[i++] = b;//0 --> a[0] = 1
//step 1:
//solving dependencies vectorization factor is 8
a[i++] = a[0] + 1*c; //1 --> a[1] = 1 + 2 = 3
a[i++] = a[0] + 2*c; //2 --> a[2] = 1 + 4 = 5
a[i++] = a[0] + 3*c; //3 --> a[3] = 1 + 6 = 7
a[i++] = a[0] + 4*c; //4 --> a[4] = 1 + 8 = 9
a[i++] = a[0] + 5*c; //5 --> a[5] = 1 + 10 = 11
a[i++] = a[0] + 6*c; //6 --> a[6] = 1 + 12 = 13
a[i++] = a[0] + 7*c; //7 --> a[7] = 1 + 14 = 15
// vectorization factor reached
// 8 *c will work for all
//loading the results to an vector
__m256i dep1;
//__m256i dep2; // dep = { 1, 3, 5, 7, 9, 11, 13, 15 }
__m256i coeff = _mm256_set1_epi32(8*c); //coeff = { 16, 16, 16, 16, 16, 16, 16, 16 }
//step2
for(; i<LEN-1; i+=8){

dep1 = _mm256_load_si256((__m256i *) &a[i-8]);
dep1 = _mm256_add_epi32(dep1, coeff);
_mm256_store_si256((__m256i *) &a[i], dep1);

}
end_rdtsc
return 0;
}

我用不同的编译器编译了这个程序。我的编译器是:icc 18,gcc 7.2,clang 4。

操作系统是fedora 27。

CPU为Corei7 6700HQ(Skylake)

使用 icc -D _GNU_SOURCE -O3 -no-vec -march=native 编译的标量实现是加速测量的基线。

每个编译器的 asm 输出如下: 因为 ICC 的行为不正常,我复制了 icc 的所有代码。我在 C 程序中标记了该部分(“mm...mm1/2”)。

  1. 国际刑事法院

    # mark_description "Intel(R) C Intel(R) 64 Compiler for applications running on Intel(R) 64, Version 18.0.1.163 Build 20171018";
    # mark_description "-D _GNU_SOURCE -O3 -no-vec -march=native -c -S -o AIC3iccnovec";
    .file "AIC3.c"
    .text
    ..TXTST0:
    .L_2__routine_start_main_0:
    # -- Begin main
    .text
    # mark_begin;
    .align 16,0x90
    .globl main
    # --- main()
    main:
    ..B1.1: # Preds ..B1.0
    # Execution count [1.00e+00]
    .cfi_startproc
    ..___tag_value_main.1:
    ..L2:
    #7.11
    pushq %rbp #7.11
    .cfi_def_cfa_offset 16
    movq %rsp, %rbp #7.11
    .cfi_def_cfa 6, 16
    .cfi_offset 6, -16
    andq $-128, %rsp #7.11
    subq $128, %rsp #7.11
    xorl %esi, %esi #7.11
    movl $3, %edi #7.11
    call __intel_new_feature_proc_init #7.11
    # LOE rbx r12 r13 r14 r15
    ..B1.21: # Preds ..B1.1
    # Execution count [1.00e+00]
    vstmxcsr (%rsp) #7.11
    vpxor %ymm0, %ymm0, %ymm0 #9.2
    orl $32832, (%rsp) #7.11
    vldmxcsr (%rsp) #7.11
    vmovups %ymm0, mask(%rip) #9.2
    vmovups %ymm0, 32+mask(%rip) #9.2
    vmovups %ymm0, 64+mask(%rip) #9.2
    vmovups %ymm0, 96+mask(%rip) #9.2
    # LOE rbx r12 r13 r14 r15
    ..B1.2: # Preds ..B1.21
    # Execution count [5.00e-01]
    xorl %edi, %edi #9.2
    movl $128, %esi #9.2
    movl $mask, %edx #9.2
    orq $12, mask(%rip) #9.2
    vzeroupper #9.2
    ..___tag_value_main.6:
    # sched_setaffinity(__pid_t, size_t, const cpu_set_t *)
    call sched_setaffinity #9.2
    ..___tag_value_main.7:
    # LOE rbx r12 r13 r14 r15
    ..B1.3: # Preds ..B1.2
    # Execution count [1.72e+00]
    movq $0xdf84757ff, %rax #12.5
    movq $.L_2__STRING.1, programName(%rip) #10.2
    movq $100000000, elapsed_rdtsc(%rip) #12.5
    movq %rax, overal_time(%rip) #12.5
    movq $0, ttime(%rip) #12.5
    vmovdqu .L_2il0floatpacket.2(%rip), %ymm0 #33.21
    # LOE rbx r12 r13 r14 r15
    ..B1.4: # Preds ..B1.12 ..B1.3
    # Execution count [2.91e+00]
    # Begin ASM
    # #mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm1
    # End ASM
    # LOE rbx r12 r13 r14 r15
    ..B1.23: # Preds ..B1.4
    # Execution count [2.91e+00]
    vzeroupper #12.5
    rdtsc #12.5
    shlq $32, %rdx #12.5
    orq %rdx, %rax #12.5
    # LOE rax rbx r12 r13 r14 r15
    ..B1.5: # Preds ..B1.23
    # Execution count [2.62e+00]
    movq %rax, t1_rdtsc(%rip) #12.5
    xorl %edx, %edx #35.5
    movl $1, a(%rip) #18.5
    xorl %eax, %eax #35.5
    movl $3, 4+a(%rip) #21.5
    movl $5, 8+a(%rip) #21.5
    movl $7, 12+a(%rip) #21.5
    movl $9, 16+a(%rip) #21.5
    movl $11, 20+a(%rip) #21.5
    movl $13, 24+a(%rip) #21.5
    movl $15, 28+a(%rip) #21.5
    vmovdqu .L_2il0floatpacket.2(%rip), %ymm1 #35.5
    # LOE rax rbx r12 r13 r14 r15 edx ymm1
    ..B1.6: # Preds ..B1.6 ..B1.5
    # Execution count [4.29e+04]
    vpaddd a(%rax), %ymm1, %ymm0 #38.16
    incl %edx #35.5
    vmovdqu %ymm0, 32+a(%rax) #39.41
    addq $32, %rax #35.5
    cmpl $2047, %edx #35.5
    jb ..B1.6 # Prob 99% #35.5
    # LOE rax rbx r12 r13 r14 r15 edx ymm1
    ..B1.7: # Preds ..B1.6
    # Execution count [2.91e+00]
    vzeroupper #46.5
    rdtsc #46.5
    shlq $32, %rdx #46.5
    orq %rdx, %rax #46.5
    # LOE rax rbx r12 r13 r14 r15
    ..B1.8: # Preds ..B1.7
    # Execution count [2.91e+00]
    movq %rax, t2_rdtsc(%rip) #46.5
    # LOE rbx r12 r13 r14 r15
    ..B1.26: # Preds ..B1.8
    # Execution count [2.91e+00]
    # Begin ASM
    # #mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm2
    # End ASM
    # LOE rbx r12 r13 r14 r15
    ..B1.25: # Preds ..B1.26
    # Execution count [2.91e+00]
    movq t2_rdtsc(%rip), %rdx #46.5
    subq t1_rdtsc(%rip), %rdx #46.5
    movq ttbest_rdtsc(%rip), %rsi #46.5
    movq %rdx, ttotal_rdtsc(%rip) #46.5
    cmpq %rsi, %rdx #46.5
    jge ..B1.10 # Prob 50% #46.5
    # LOE rdx rbx rsi r12 r13 r14 r15
    ..B1.9: # Preds ..B1.25
    # Execution count [1.45e+00]
    movq elapsed_rdtsc(%rip), %rcx #46.5
    movq %rcx, %rax #46.5
    negq %rax #46.5
    movq %rdx, %rsi #46.5
    addq $100000000, %rax #46.5
    movq %rdx, ttbest_rdtsc(%rip) #46.5
    movq %rax, elapsed(%rip) #46.5
    jmp ..B1.11 # Prob 100% #46.5
    # LOE rdx rcx rbx rsi r12 r13 r14 r15
    ..B1.10: # Preds ..B1.25
    # Execution count [1.45e+00]
    movq elapsed_rdtsc(%rip), %rcx #46.5
    # LOE rdx rcx rbx rsi r12 r13 r14 r15
    ..B1.11: # Preds ..B1.9 ..B1.10
    # Execution count [2.91e+00]
    movq ttime(%rip), %rax #46.5
    addq %rdx, %rax #46.5
    movq %rax, ttime(%rip) #46.5
    testq %rcx, %rcx #46.5
    je ..B1.14 # Prob 50% #46.5
    # LOE rax rcx rbx rsi r12 r13 r14 r15
    ..B1.12: # Preds ..B1.11
    # Execution count [1.45e+00]
    decq %rcx #46.5
    movq %rcx, elapsed_rdtsc(%rip) #46.5
    cmpq overal_time(%rip), %rax #46.5
    jl ..B1.4 # Prob 82% #46.5
    jmp ..B1.15 # Prob 100% #46.5
    # LOE rcx rbx rsi r12 r13 r14 r15
    ..B1.14: # Preds ..B1.11
    # Execution count [1.45e+00]
    movq $-1, elapsed_rdtsc(%rip) #46.5
    movq $-1, %rcx #46.5
    # LOE rcx rbx rsi r12 r13 r14 r15
    ..B1.15: # Preds ..B1.12 ..B1.14
    # Execution count [1.00e+00]
    negq %rcx #46.5
    movl $.L_2__STRING.2, %edi #46.5
    addq $100000000, %rcx #46.5
    xorl %eax, %eax #46.5
    movq elapsed(%rip), %rdx #46.5
    ..___tag_value_main.8:
    # printf(const char *__restrict__, ...)
    call printf #46.5
    ..___tag_value_main.9:
    # LOE rbx r12 r13 r14 r15
    ..B1.16: # Preds ..B1.15
    # Execution count [1.00e+00]
    movl $.L_2__STRING.3, %edi #46.5
    movl $.L_2__STRING.4, %esi #46.5
    # fopen(const char *__restrict__, const char *__restrict__)
    call fopen #46.5
    # LOE rax rbx r12 r13 r14 r15
    ..B1.17: # Preds ..B1.16
    # Execution count [1.00e+00]
    movl $128, %ecx #46.5
    movq %rax, %rdi #46.5
    movq %rax, fileForSpeedups(%rip) #46.5
    movl $.L_2__STRING.5, %esi #46.5
    movl %ecx, %r8d #46.5
    xorl %eax, %eax #46.5
    movq programName(%rip), %rdx #46.5
    movq ttbest_rdtsc(%rip), %r9 #46.5
    # fprintf(FILE *__restrict__, const char *__restrict__, ...)
    call fprintf #46.5
    # LOE rbx r12 r13 r14 r15
    ..B1.18: # Preds ..B1.17
    # Execution count [1.00e+00]
    xorl %eax, %eax #47.9
    movq %rbp, %rsp #47.9
    popq %rbp #47.9
    .cfi_def_cfa 7, 8
    .cfi_restore 6
    ret #47.9
    .align 16,0x90
    # LOE
    .cfi_endproc
    # mark_end;
    .type main,@function
    .size main,.-main
    ..LNmain.0:
    .data
    # -- End main
    .bss
    .align 8
    .align 8
    .globl fileForSpeedups
    fileForSpeedups:
    .type fileForSpeedups,@object
    .size fileForSpeedups,8
    .space 8 # pad
    .align 8
    .globl ttime
    ttime:
    .type ttime,@object
    .size ttime,8
    .space 8 # pad
    .data
    .align 8
    .align 8
    .globl programName
    programName:
    .quad .L_2__STRING.0
    .type programName,@object
    .size programName,8
    .align 8
    .globl ttbest_rdtsc
    ttbest_rdtsc:
    .long 0x5d89ffff,0x01634578
    .type ttbest_rdtsc,@object
    .size ttbest_rdtsc,8
    .align 8
    .globl elapsed_rdtsc
    elapsed_rdtsc:
    .long 0x05f5e100,0x00000000
    .type elapsed_rdtsc,@object
    .size elapsed_rdtsc,8
    .align 8
    .globl overal_time
    overal_time:
    .long 0xf84757ff,0x0000000d
    .type overal_time,@object
    .size overal_time,8
    .section .rodata, "a"
    .align 32
    .align 32
    .L_2il0floatpacket.2:
    .long 0x00000010,0x00000010,0x00000010,0x00000010,0x00000010,0x00000010,0x00000010,0x00000010
    .type .L_2il0floatpacket.2,@object
    .size .L_2il0floatpacket.2,32
    .section .rodata.str1.4, "aMS",@progbits,1
    .align 4
    .align 4
    .L_2__STRING.1:
    .long 860047681
    .byte 0
    .type .L_2__STRING.1,@object
    .size .L_2__STRING.1,5
    .space 3, 0x00 # pad
    .align 4
    .L_2__STRING.2:
    .long 1701344266
    .long 1936024096
    .long 1936269428
    .long 1819026720
    .long 1852383332
    .long 1819026720
    .long 543716452
    .long 1919251561
    .long 1869182049
    .long 1851859054
    .long 1814372452
    .long 1914725484
    .long 1952804965
    .long 1869182057
    .long 684910
    .type .L_2__STRING.2,@object
    .size .L_2__STRING.2,60
    .align 4
    .L_2__STRING.3:
    .long 1701603686
    .long 1400008518
    .long 1684366704
    .long 7565429
    .type .L_2__STRING.3,@object
    .size .L_2__STRING.3,16
    .align 4
    .L_2__STRING.4:
    .word 97
    .type .L_2__STRING.4,@object
    .size .L_2__STRING.4,2
    .space 2, 0x00 # pad
    .align 4
    .L_2__STRING.5:
    .long 539783973
    .long 628646949
    .long 622865508
    .long 174353516
    .byte 0
    .type .L_2__STRING.5,@object
    .size .L_2__STRING.5,17
    .space 3, 0x00 # pad
    .align 4
    .L_2__STRING.0:
    .word 32
    .type .L_2__STRING.0,@object
    .size .L_2__STRING.0,2
    .data
    .comm mask1,128,32
    .comm t1_rdtsc,8,8
    .comm t2_rdtsc,8,8
    .comm ttotal_rdtsc,8,8
    .comm elapsed,8,8
    .comm mask,128,32
    .comm a,65536,32
    .section .note.GNU-stack, ""
    // -- Begin DWARF2 SEGMENT .eh_frame
    .section .eh_frame,"a",@progbits
    .eh_frame_seg:
    .align 8
    # End
  2. 海湾合作委员会

    //gcc  -D _GNU_SOURCE -O3 -fno-tree-vectorize -fno-tree-slp-vectorize -march=native -c -S -o "AIC3" "AIC3.c"
    rdtsc
    salq $32, %rdx
    movq %r10, a(%rip)


    orq %rdx, %rax
    movq %r9, a+8(%rip)
    movq %r8, a+16(%rip)
    movq %rdi, a+24(%rip)


    vmovdqa a(%rip), %ymm1
    movq %rax, t1_rdtsc(%rip)
    movl $a+32, %eax
    .p2align 4,,10
    .p2align 3
    .L2:
    vpaddd %ymm1, %ymm2, %ymm0
    addq $32, %rax
    vmovdqa %ymm0, -32(%rax)
    vmovdqa %ymm0, %ymm1
    cmpq %rax, %rcx
    jne .L2
    rdtsc
  3. clang

    //clang  -D _GNU_SOURCE -O3 -fno-vectorize -fno-slp-vectorize -march=native -c -S -o "AIC3"clang "
    rdtsc
    shlq $32, %rdx
    orq %rax, %rdx
    movq %rdx, t1_rdtsc(%rip)
    movq %r8, a(%rip)
    movq %r9, a+8(%rip)
    movq %r10, a+16(%rip)
    movq %rcx, a+24(%rip)
    vmovdqa a(%rip), %ymm8
    movl $64, %eax
    jmp .LBB0_2
    .p2align 4, 0x90
    .LBB0_9: # in Loop: Header=BB0_2 Depth=2
    vpaddd %ymm7, %ymm8, %ymm8
    vmovdqa %ymm8, a(,%rax,4)
    addq $64, %rax
    .LBB0_2: # Parent Loop BB0_1 Depth=1
    # => This Inner Loop Header: Depth=2
    vpaddd %ymm0, %ymm8, %ymm9
    vmovdqa %ymm9, a-224(,%rax,4)
    vpaddd %ymm1, %ymm8, %ymm9
    vmovdqa %ymm9, a-192(,%rax,4)
    vpaddd %ymm2, %ymm8, %ymm9
    vmovdqa %ymm9, a-160(,%rax,4)
    vpaddd %ymm3, %ymm8, %ymm9
    vmovdqa %ymm9, a-128(,%rax,4)
    vpaddd %ymm4, %ymm8, %ymm9
    vmovdqa %ymm9, a-96(,%rax,4)
    vpaddd %ymm5, %ymm8, %ymm9
    vmovdqa %ymm9, a-64(,%rax,4)
    vpaddd %ymm6, %ymm8, %ymm9
    vmovdqa %ymm9, a-32(,%rax,4)
    cmpq $16383, %rax # imm = 0x3FFF
    jl .LBB0_9
    # BB#3: # in Loop: Header=BB0_1 Depth=1
    rdtsc

使用 icc、gcc 和 clang 时,加速分别为 ~1.30、~4.10 和 4.00。

如前所述,我使用不同的编译器编译了相同的代码,并记录了 rdtsc。 ICC 的加速并不像我预期的那样。我使用 IACA 观察了内部循环,总结输出是:

-----------------------------------------------------
| compilers | icc | gcc | clang |
------------------------------------------------------
| Throughput |1.49 cycle |1.00 cycle |1.49 cycle |
------------------------------------------------------
| bottleneck | Front End | dependency | Front End |
------------------------------------------------------

UPDATE-0:我比较了使用和不使用 IACA 生成的代码。在这种情况下,IACA 没有帮助的原因是输出不一样。似乎注入(inject) IACA 标记会强制编译器停止优化,GCC 生成的代码与 ICC 和 Clang 生成的代码相同。但是,从吞吐量的角度来看,在 GCC 中计算地址更有效。综上所述,IACA 对此代码无能为力。

UPDATE-1:perf 的输出如下:

512*512
ICC:

86.06 │loop: vpaddd 0x604580(%rax),%ymm1,%ymm0
0.17 │ inc %edx
4.73 │ vmovdq %ymm0,0x6045a0(%rax)
│ add $0x20,%rax
│ cmp $0x7fff,%edx
8.98 │ jb loop


GCC:

30.62 │loop: vpaddd %ymm1,%ymm2,%ymm0
15.12 │ add $0x20,%rax
46.03 │ vmovdq %ymm0,-0x20(%rax)
2.40 │ vmovdq %ymm0,%ymm1
0.01 │ cmp %rax,%rcx
5.62 │ jne loop


LLVM:

3.00 │loop: vpaddd %ymm0,%ymm7,%ymm8
6.61 │ vmovdq %ymm8,0x6020e0(,%rax,4)
15.96 │ vpaddd %ymm1,%ymm7,%ymm8
5.19 │ vmovdq %ymm8,0x602100(,%rax,4)
1.89 │ vpaddd %ymm2,%ymm7,%ymm8
6.16 │ vmovdq %ymm8,0x602120(,%rax,4)
13.25 │ vpaddd %ymm3,%ymm7,%ymm8
8.01 │ vmovdq %ymm8,0x602140(,%rax,4)
2.10 │ vpaddd %ymm4,%ymm7,%ymm8
5.37 │ vmovdq %ymm8,0x602160(,%rax,4)
13.92 │ vpaddd %ymm5,%ymm7,%ymm8
7.95 │ vmovdq %ymm8,0x602180(,%rax,4)
0.89 │ vpaddd %ymm6,%ymm7,%ymm7
4.34 │ vmovdq %ymm7,0x6021a0(,%rax,4)
2.82 │ add $0x38,%rax
│ cmp $0x3ffff,%rax
2.24 │ jl loop

ICC 汇编输出显示 rdtsc 中有一些 SIMD 指令。如果我错过了什么,或者出了什么问题,我真的不知道。我花了很多时间来意识到这个问题,但成就为零。请,如果有人知道原因,请帮助我。提前致谢。

最佳答案

不同的编译器实际上在这里使用了相当不同的实现策略。

GCC 注意到它永远不必重新加载 a[i-8],它是在上一次迭代中计算的,因此可以从寄存器中获取。这在某种程度上依赖于移动消除,否则 reg-reg 移动仍然会增加一些延迟,尽管即使没有移动消除,它也会比每次重新加载快得多。

ICC 的 codegen 非常幼稚,它只是按照您编写的方式进行操作。存储/重新加载增加了相当多的延迟。

Clang 做的事情与 GCC 大致相同,但展开 8(减去第一次迭代)。 Clang 往往更喜欢展开。我不确定为什么它比 GCC 做的稍微差一点。

您可以通过在一开始就明确不这样做来避免重新加载:(未测试)

dep1 = _mm256_load_si256((__m256i *) &a[0]);
for(; i<LEN-1; i+=8){

dep1 = _mm256_add_epi32(dep1, coeff);
_mm256_store_si256((__m256i *) &a[i], dep1);

}

关于gcc - 使用 icc、gcc 和 clang 的相同实现的不同性能的原因是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48036752/

27 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com