c - 为什么 vector 长度 SIMD 代码比普通 C 慢

Question

为什么我的 SIMD vector4 长度函数比原始 vector 长度方法慢 3 倍？

SIMD vector4 长度函数:

__extern_always_inline float vec4_len(const float *v) {
    __m128 vec1 = _mm_load_ps(v);
    __m128 xmm1 = _mm_mul_ps(vec1, vec1);
    __m128 xmm2 = _mm_hadd_ps(xmm1, xmm1);
    __m128 xmm3 = _mm_hadd_ps(xmm2, xmm2);
    return sqrtf(_mm_cvtss_f32(xmm3));
}

简单的实现:

sqrtf(V[0] * V[0] + V[1] * V[1] + V[2] * V[2] + V[3] * V[3])

SIMD 版本用了 16110ms 来迭代 1000000000 次。原始版本快了约 3 倍，仅需 4746 毫秒。

#include <math.h>
#include <time.h>
#include <stdint.h>
#include <stdio.h>
#include <x86intrin.h>

static float vec4_len(const float *v) {
    __m128 vec1 = _mm_load_ps(v);
    __m128 xmm1 = _mm_mul_ps(vec1, vec1);
    __m128 xmm2 = _mm_hadd_ps(xmm1, xmm1);
    __m128 xmm3 = _mm_hadd_ps(xmm2, xmm2);
    return sqrtf(_mm_cvtss_f32(xmm3));
}

int main() {
    float A[4] __attribute__((aligned(16))) = {3, 4, 0, 0};

    struct timespec t0 = {};
    clock_gettime(CLOCK_MONOTONIC, &t0);

    double sum_len = 0;
    for (uint64_t k = 0; k < 1000000000; ++k) {
        A[3] = k;
        sum_len += vec4_len(A);
//        sum_len += sqrtf(A[0] * A[0] + A[1] * A[1] + A[2] * A[2] + A[3] * A[3]);
    }
    struct timespec t1 = {};
    clock_gettime(CLOCK_MONOTONIC, &t1);

    fprintf(stdout, "%f\n", sum_len);

    fprintf(stdout, "%ldms\n", (((t1.tv_sec - t0.tv_sec) * 1000000000) + (t1.tv_nsec - t0.tv_nsec)) / 1000000);

    return 0;
}

我在 Intel(R) Core(TM) i7-8550U CPU 上运行以下命令。首先使用 vec4_len 版本，然后使用普通 C。

我用 GCC (Ubuntu 7.4.0-1ubuntu1~18.04.1) 7.4.0 编译:

gcc -Wall -Wextra -O3 -msse -msse3 sse.c -lm && ./a.out

SSE 版本输出:

499999999500000128.000000
13458ms

纯 C 版本输出:

499999999500000128.000000
4441ms

Answer 1

最明显的问题是使用低效的点积(使用 haddps 成本是 2x shuffle uops + 1x add uop)而不是 shuffle + add。参见 Fastest way to do horizontal float vector sum on x86在 _mm_mul_ps 之后该做什么并没有那么糟糕。但这仍然不是 x86 可以非常有效地完成的事情。

但无论如何，真正的问题是您的基准循环。

A[3] = k; 然后使用 _mm_load_ps(A) 创建一个存储转发停顿，如果它天真地编译的话到 vector 洗牌。如果加载仅从单个存储指令加载数据，而没有其他数据，则存储 + 重新加载可以以约 5 个延迟周期有效地转发。否则它必须对整个存储缓冲区进行较慢的扫描以组装字节。这为存储转发增加了大约 10 个周期的延迟。

我不确定这对吞吐量有多大影响，但可能足以阻止无序执行重叠足够多的循环迭代以隐藏延迟和仅在 sqrtss shuffle 上出现瓶颈吞吐量。

(您的 Coffee Lake CPU 每 3 个周期有 1 个 sqrtss 吞吐量，因此令人惊讶的是 SQRT 吞吐量不是您的瓶颈。¹ 相反它会是洗牌吞吐量或其他东西。)

参见 Agner Fog's微架构指南和/或优化手册。

• What does "store-buffer forwarding" mean in the Intel developer's manual?
• How does store to load forwarding happens in case of unaligned memory access?
• Can modern x86 implementations store-forward from more than one prior store?
• Why would a compiler generate this assembly?引用英特尔的优化手册回复:存储转发。 (在那个问题中，旧的 gcc 版本分别存储了一个 8 字节结构的 2 个双字的一半，然后用一个 qword 加载/存储复制了该结构。 super 脑残。)

---

此外，通过让编译器提升V[0] * V[0] + V[1] * V[1] + V[2 的计算，你更加偏向于 SSE ] * V[2] 跳出循环。

表达式的那部分是循环不变的，因此编译器只需在每次循环迭代时执行(float)k 平方、加法和标量 sqrt。 (并将其转换为 double 以添加到您的累加器中)。

(@StaceyGirl 已删除的答案指出了这一点；查看其中的内部循环代码是编写此答案的良好开端。)

---

vector 版本中 A[3] = k 的额外低效率

来自 Kamil's Godbolt link 的 GCC9.1 内部循环看起来很糟糕，并且似乎包含循环存储/重新加载以将新的 A[3] 合并到 8 字节的 A[2..3] 对中，进一步限制了 CPU 重叠多次迭代的能力。

我不确定为什么 gcc 认为这是个好主意。它可能有助于将 vector 加载分成 8 字节的一半的 CPU(如 Pentium M 或 Bobcat)以避免存储转发停顿。但这不是“通用”现代 x86-64 CPU 的明智调整。

.L18:
        pxor    xmm4, xmm4
        mov     rdx, QWORD PTR [rsp+8]     ; reload A[2..3]
        cvtsi2ss        xmm4, rbx
        mov     edx, edx                   ; truncate RDX to 32-bit
        movd    eax, xmm4                  ; float bit-pattern of (float)k
        sal     rax, 32
        or      rdx, rax                   ; merge the float bit-pattern into A[3]
        mov     QWORD PTR [rsp+8], rdx     ; store A[2..3] again

        movaps  xmm0, XMMWORD PTR [rsp]    ; vector load: store-forwarding stall
        mulps   xmm0, xmm0
        haddps  xmm0, xmm0
        haddps  xmm0, xmm0
        ucomiss xmm3, xmm0
        movaps  xmm1, xmm0
        sqrtss  xmm1, xmm1
        ja      .L21             ; call sqrtf to set errno if needed; flags set by ucomiss.
.L17:

        add     rbx, 1
        cvtss2sd        xmm1, xmm1
        addsd   xmm2, xmm1            ; total += (double)sqrtf
        cmp     rbx, 1000000000
        jne     .L18                ; }while(k<1000000000);

这种疯狂在标量版本中不存在。

无论哪种方式，gcc 都设法避免了完整的 uint64_t -> float 转换的低效率(x86 在 AVX512 之前的硬件中没有)。据推测，它能够证明使用有符号的 64 位 -> float 转换将始终有效，因为无法设置高位。

---

脚注 1:但是 sqrtps 具有与标量相同的每 3 个周期 1 个吞吐量，因此通过执行以下操作您只能获得 CPU sqrt 吞吐量能力的 1/4一次水平处理 1 个 vector ，而不是并行处理 4 个 vector 的 4 个长度。