- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在编写一些 AVX 代码,我需要从可能未对齐的内存中加载。我目前正在加载 4 个 double ,因此我将使用内部指令 _mm256_loadu_pd ;我写的代码是:
__m256d d1 = _mm256_loadu_pd(vInOut + i*4);
-O3 -mavx -g
随后使用 objdump 获取汇编代码以及带注释的代码和行(
objdump -S -M intel -l avx.obj
)。当我查看底层汇编代码时,我发现以下内容:
vmovupd xmm0,XMMWORD PTR [rsi+rax*1]
vinsertf128 ymm0,ymm0,XMMWORD PTR [rsi+rax*1+0x10],0x1
vmovupd ymm0,XMMWORD PTR [rsi+rax*1]
gcc (Ubuntu 7.3.0-27ubuntu1~18.04) 7.3.0
在 Ubuntu 18.04 x86-64 上。
最佳答案
GCC 的默认调优 ( -mtune=generic
) 包括 -mavx256-split-unaligned-load
和 -mavx256-split-unaligned-store
,因为在某些情况下,当内存在运行时实际上未对齐时,这会在某些 CPU(例如第一代 Sandybridge 和某些 AMD CPU)上提供较小的加速。
使用 -O3 -mno-avx256-split-unaligned-load -mno-avx256-split-unaligned-store
如果你不想要这个,或者更好,使用 -mtune=haswell
. 或使用 -march=native
为您自己的计算机进行优化。没有“通用 avx2”调整。 ( https://gcc.gnu.org/onlinedocs/gcc/x86-Options.html )。
英特尔 Sandybridge 将 256 位加载作为单个 uop 运行,在加载端口中需要 2 个周期。 (与 AMD 将所有 256 位向量指令解码为 2 个单独的 uops 不同。)Sandybridge 存在未对齐的 256 位加载问题(如果地址在运行时实际上未对齐)。我不知道细节,也没有找到关于减速究竟是什么的具体信息。也许是因为它使用了带 16 字节存储体的存储缓存?但是 IvyBridge 可以更好地处理 256 位负载,并且仍然具有存储缓存。
根据 GCC 邮件列表中关于实现选项 ( https://gcc.gnu.org/ml/gcc-patches/2011-03/msg01847.html ) 的代码的消息,“ 将某些 SPEC CPU 2006 基准测试的速度提高了 6%。”(我认为这是针对 Sandybridge,只有当时存在的 Intel AVX CPU。)
但是,如果内存在运行时实际上是 32 字节对齐的,那么即使在 Sandybridge 和大多数 AMD CPU 上,这也是纯粹的缺点1 .因此,使用此调整选项,您可能会因为未能将对齐保证告知编译器而蒙受损失。如果你的循环大部分时间运行在对齐的内存上,你最好至少用 -mno-avx256-split-unaligned-load
编译那个编译单元。或暗示这一点的调整选项。
在软件中拆分总是会产生成本。让硬件处理它使对齐的情况非常有效(除了 Piledriver1 上的存储),未对齐的情况可能比某些 CPU 上的软件拆分慢。所以这是一种悲观的方法,如果数据真的很可能在运行时没有对齐,而不是在编译时不能保证总是对齐,那么这是有道理的。例如也许您有一个大部分时间都使用对齐缓冲区调用的函数,但您仍然希望它适用于使用未对齐缓冲区调用的罕见/小情况。在这种情况下,即使在 Sandybridge 上,拆分加载/存储策略也是不合适的。
缓冲区通常是 16 字节对齐但不是 32 字节对齐,因为 malloc
在 x86-64 glibc(和 libstdc++ 中的 new
)上返回 16 字节对齐的缓冲区(因为 alignof(maxalign_t) == 16
)。对于大缓冲区,指针通常在页面开始后 16 个字节,因此对于大于 16 的对齐总是未对齐。使用 aligned_alloc
反而。
请注意 -mavx
和 -mavx2
根本不要更改调整选项 :gcc -O3 -mavx2
仍然适用于所有 CPU,包括那些不能实际运行 AVX2 指令的 CPU。这非常愚蠢,因为如果针对“平均 AVX2 CPU”进行调整,您应该使用单个未对齐的 256 位负载。不幸的是 gcc 没有选择这样做,而且 -mavx2
并不意味着 -mno-avx256-split-unaligned-load
或任何东西。 见 https://gcc.gnu.org/bugzilla/show_bug.cgi?id=80568和 https://gcc.gnu.org/bugzilla/show_bug.cgi?id=78762对于具有指令集选择影响调整的功能请求 .
这就是为什么你应该使用 -march=native
制作本地使用的二进制文件,或者 -march=sandybridge -mtune=haswell
制作可以在各种机器上运行的二进制文件,但可能主要在具有 AVX 的较新硬件上运行。 (请注意,即使 Skylake Pentium/Celeron CPU 也没有 AVX 或 BMI2;可能在 256 位执行单元或寄存器文件的上半部分有任何缺陷的 CPU 上,它们禁用 VEX 前缀的解码并将它们作为低端奔腾。)
gcc8.2 的调优选项如下。 ( -march=x
意味着 -mtune=x
)。 https://gcc.gnu.org/onlinedocs/gcc/x86-Options.html .
我查了 on the Godbolt compiler explorer通过编译 -O3 -fverbose-asm
并查看评论,其中包括所有隐含选项的完整转储。我包括 _mm256_loadu/storeu_ps
函数,以及一个可以自动向量化的简单浮点循环,所以我们也可以看看编译器做了什么。
使用 -mprefer-vector-width=256
(gcc8) 或 -mno-prefer-avx128
(gcc7 及更早版本)覆盖调整选项,如 -mtune=bdver3
并根据需要获得 256 位自动矢量化,而不仅仅是手动矢量化。
-mtune=generic
: 两者 -mavx256-split-unaligned-load
和 -store
.可以说随着 Intel Haswell 越来越不合适,后来变得越来越普遍,我认为最近 AMD CPU 的缺点仍然很小。尤其是拆分未对齐的负载,AMD 调整选项无法启用这些负载。 -march=sandybridge
和 -march=ivybridge
: 分开两个。 (我想我已经读过 IvyBridge 改进了对未对齐的 256 位加载或存储的处理,因此它不太适合在运行时可能对齐数据的情况。)-march=haswell
及更高版本:均未启用拆分选项。 -march=knl
: 没有启用拆分选项。 (Silvermont/Atom 没有 AVX)-mtune=intel
: 没有启用拆分选项。即使使用 gcc8,使用 -mtune=intel -mavx
自动矢量化选择达到读/写目标数组的对齐边界,这与 gcc8 仅使用未对齐的常规策略不同。 (同样,另一个总是有成本的软件处理案例,而不是让硬件处理异常(exception)情况。)-march=bdver1
(推土机):-mavx256-split-unaligned-store
,但不加载。-mprefer-avx128
(自动矢量化将仅使用 128 位 AVX,但内在函数当然仍然可以使用 256 位矢量)。 -march=bdver2
(打桩机), bdver3
(压路机),bdver4
(挖掘机)。和推土机一样。他们自动矢量化一个 FP a[i] += b[i]
使用软件预取和足够的展开循环,每个缓存行只预取一次! -march=znver1
(禅):-mavx256-split-unaligned-store
但不加载,仍然只使用 128 位自动矢量化,但这次没有 SW 预取。 -march=btver2
( AMD Fam16h, aka Jaguar ):既没有启用拆分选项,也没有像推土机系列那样自动矢量化,只有 128 位矢量 + SW 预取。 -march=eden-x4
(通过带有 AVX2 的 Eden):既没有启用拆分选项,也没有启用 -march
选项甚至不启用 -mavx
和自动矢量化使用 movlps
/movhps
8 字节加载,这真的很愚蠢。至少使用 movsd
而不是 movlps
打破虚假的依赖。但是如果你启用 -mavx
,它使用 128 位未对齐的加载。这里真的很奇怪/不一致的行为,除非有一些奇怪的前端。vmovaps [mem], ymm
根据 Agner Fog 的 microarch pdf (
https://agner.org/optimize/),每 17 到 20 个时钟运行一个对齐的商店。此效果在推土机或压路机/挖掘机中不存在。
vmovaps ymm
指令仍然只受益于推土机系列上低 128 位的移动消除。
-march=native
构建的奢侈。在每个目标架构上,因此在制作可以在任何支持 AVX 的 CPU 上运行的二进制文件时需要权衡。只要在其他 CPU 上没有灾难性的缺点,在某些 CPU 上使用 256 位代码获得大幅加速通常是值得的。
vinsertf128 ymm, [mem], 1
在 Haswell/Skylake 的端口 5 上不需要 shuffle 单元:它可以在任何向量 ALU 端口上运行。 (而且它没有微熔断器,因此需要 2 uop 的前端带宽。)
-O2
或
-O3
编译的,这个选项无论如何只会影响 AVX 代码生成。但不幸的是,许多人使用
-O3 -mavx2
而不是
-O3 -march=native
。所以他们可能会错过 FMA 、BMI1/2、popcnt 以及它们的 CPU 支持的其他东西。
关于gcc - 为什么 gcc 不将 _mm256_loadu_pd 解析为单个 vmovupd?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52626726/
我是一名优秀的程序员,十分优秀!