x86 - 使用 AVX512 生成蒙版的 BMI

Question

我受到这个链接的启发
https://www.sigarch.org/simd-instructions-considered-harmful/查看 AVX512 的性能。我的想法是可以使用 AVX512 掩码操作删除循环后的清理循环。

这是我正在使用的代码

void daxpy2(int n, double a, const double x[], double y[]) {
  __m512d av = _mm512_set1_pd(a);
  int r = n&7, n2 = n - r;
  for(int i=-n2; i<0; i+=8) {
    __m512d yv = _mm512_loadu_pd(&y[i+n2]);
    __m512d xv = _mm512_loadu_pd(&x[i+n2]);
    yv = _mm512_fmadd_pd(av, xv, yv);
    _mm512_storeu_pd(&y[i+n2], yv);
  }
  __m512d yv = _mm512_loadu_pd(&y[n2]);
  __m512d xv = _mm512_loadu_pd(&x[n2]);
  yv = _mm512_fmadd_pd(av, xv, yv);
  __mmask8 mask = (1 << r) -1;
  //__mmask8 mask = _bextr_u32(-1, 0, r);
  _mm512_mask_storeu_pd(&y[n2], mask, yv);
}

我认为使用 BMI1 和/或 BMI2 指令可以生成指令更少的掩码。然而，

__mmask8 mask = _bextr_u32(-1, 0, r)

并不比(在指令数量上)更好

__mmask8 mask = (1 << r) -1;

见 https://godbolt.org/z/BFQCM3和 https://godbolt.org/z/tesmB_ .

这似乎是因为 _bextr_u32 无论如何都会移位 8。

是否可以使用更少的指令(例如使用 BMI 或其他方法)或更优化地生成掩码？

我已经用我的 AVX512 结果扩充了链接中的表格。

ISA                           | MIPS-32 | AVX2  | RV32V | AVX512 |
******************************|*********|****** |*******|******* |
Instructions(static)          |      22 |   29  |    13 |     28 |
Instructions per Main Loop    |       7 |    6* |    10 |      5*|
Bookkeeping Instructions      |      15 |   23  |     3 |     23 |
Results per Main Loop         |       2 |    4  |    64 |      8 |
Instructions (dynamic n=1000) |    3511 | 1517**|   163 |    645 |

*macro-op fusion will reduce the number of uops in the main loop by 1
** without the unnecessary cmp instructions it would only be 1250+ instructions.

我想如果链接的作者从 -n 算起高达 0而不是来自 0至 n他们本可以跳过 cmp我在主循环中拥有的指令(请参阅下面的程序集)，因此对于 AVX，主循环中应该有 5 条指令。

这是带有 ICC19 和 -O3 -xCOMMON-AVX512 的组件

daxpy2(int, double, double const*, double*):
    mov       eax, edi                                      #6.13
    and       eax, 7                                        #6.13
    movsxd    r9, edi                                       #6.25
    sub       r9, rax                                       #6.21
    mov       ecx, r9d                                      #7.14
    neg       ecx                                           #7.14
    movsxd    rcx, ecx                                      #7.14
    vbroadcastsd zmm16, xmm0                                #5.16
    lea       rdi, QWORD PTR [rsi+r9*8]                     #9.35
    lea       r8, QWORD PTR [rdx+r9*8]                      #8.35
    test      rcx, rcx                                      #7.20
    jge       ..B1.5        # Prob 36%                      #7.20
..B1.3:                         # Preds ..B1.1 ..B1.3
    vmovups   zmm17, ZMMWORD PTR [rdi+rcx*8]                #10.10
    vfmadd213pd zmm17, zmm16, ZMMWORD PTR [r8+rcx*8]        #10.10
    vmovups   ZMMWORD PTR [r8+rcx*8], zmm17                 #11.23
    add       rcx, 8                                        #7.23
    js        ..B1.3        # Prob 82%                      #7.20
..B1.5:                         # Preds ..B1.3 ..B1.1
    vmovups   zmm17, ZMMWORD PTR [rsi+r9*8]                 #15.8
    vfmadd213pd zmm16, zmm17, ZMMWORD PTR [rdx+r9*8]        #15.8
    mov       edx, -1                                       #17.19
    shl       eax, 8                                        #17.19
    bextr     eax, edx, eax                                 #17.19
    kmovw     k1, eax                                       #18.3
    vmovupd   ZMMWORD PTR [r8]{k1}, zmm16                   #18.3
    vzeroupper                                              #19.1
    ret                                                     #19.1

在哪里

    add       r8, 8
    js        ..B1.3

宏操作应该熔断到一条指令。但是，正如 Peter Cordes 所指出的那样 in this answer js 无法熔断 .编译器可能已经生成 jl相反，它会融合。

我用的是 Agner Fog 的 testp用于获取核心时钟(不是引用时钟)、指令、uop 退役的实用程序。我为 SSE2(实际上是带有 FMA 但带有 128 位向量的 AVX2)、AVX2 和 AVX512 执行此操作，用于三种不同的循环变体

v1 = for(int64_t i=0;   i<n;  i+=vec_size) // generates cmp instruction
v2 = for(int64_t i=-n2; i<0;  i+=vec_size) // no cmp but uses js
v3 = for(int64_t i=-n2; i!=0; i+=vec_size) // no cmp and uses jne

vec_size = 2 for SSE, 4 for AVX2, and 8 for AVX512

vec_size version   core cycle    instructions   uops
2        v1        895           3014           3524
2        v2        900           2518           3535
2        v3        870           2518           3035
4        v1        527           1513           1777
4        v2        520           1270           1777
4        v3        517           1270           1541
8        v1        285            765            910
8        v2        285            645            910
8        v3        285            645            790

请注意，核心时钟实际上并不是循环版本的函数。它只取决于循环的迭代。它与 2*n/vec_size 成正比.

SSE     2*1000/2=1000
AVX2    2*1000/4=500
AVX512  2*1000/8=250

指令数量确实从 v1 更改为 v2，但不会在 v2 和 v3 之间更改。对于 v1，它与 6*n/vec_size 成正比对于 v2 和 v3 5*n/vec_size
最后，v1 和 v2 的 uops 数量或多或少相同，但 v3 下降。对于 v1 和 v2，它与 7*n/vec_size 成正比对于 v3 6*n/vec_size .

这是 IACA3 的结果，vec_size=2

Throughput Analysis Report
--------------------------
Block Throughput: 1.49 Cycles       Throughput Bottleneck: FrontEnd
Loop Count:  50
Port Binding In Cycles Per Iteration:
--------------------------------------------------------------------------------------------------
|  Port  |   0   -  DV   |   1   |   2   -  D    |   3   -  D    |   4   |   5   |   6   |   7   |
--------------------------------------------------------------------------------------------------
| Cycles |  0.5     0.0  |  0.5  |  1.5     1.0  |  1.5     1.0  |  1.0  |  0.0  |  0.0  |  0.0  |
--------------------------------------------------------------------------------------------------

DV - Divider pipe (on port 0)
D - Data fetch pipe (on ports 2 and 3)
F - Macro Fusion with the previous instruction occurred
* - instruction micro-ops not bound to a port
^ - Micro Fusion occurred
# - ESP Tracking sync uop was issued
@ - SSE instruction followed an AVX256/AVX512 instruction, dozens of cycles penalty is expected
X - instruction not supported, was not accounted in Analysis

| Num Of   |                    Ports pressure in cycles                         |      |
|  Uops    |  0  - DV    |  1   |  2  -  D    |  3  -  D    |  4   |  5   |  6   |  7   |
-----------------------------------------------------------------------------------------
|   1      |             |      | 0.5     0.5 | 0.5     0.5 |      |      |      |      | vmovupd xmm1, xmmword ptr [r8+rax*8]
|   2      | 0.5         | 0.5  | 0.5     0.5 | 0.5     0.5 |      |      |      |      | vfmadd213pd xmm1, xmm2, xmmword ptr [rcx+rax*8]
|   2      |             |      | 0.5         | 0.5         | 1.0  |      |      |      | vmovups xmmword ptr [rcx+rax*8], xmm1
|   1*     |             |      |             |             |      |      |      |      | add rax, 0x2
|   0*F    |             |      |             |             |      |      |      |      | js 0xffffffffffffffe3
Total Num Of Uops: 6

IACA 声称 js带 add 的宏 fuse 这不同意阿格纳和来自 testp 的性能计数器公用事业。见上，v2 正比于 7*n/vec_size和 v3 与 6*n/vec_size 成正比我推断这意味着 js没有宏熔断器。

我认为除了指令数量之外，链接的作者还应该考虑核心周期和微指令。

Answer 1

如果您使用以下 BMI2 内在函数，则可以保存一条指令:

  __mmask8 mask = _bzhi_u32(-1, r);

而不是 __mmask8 mask = (1 << r) -1; .见 Godbolt link .

bzhi instruction从指定位置开始将高位清零。使用寄存器操作数， bzhi具有 1 个周期的延迟和每个周期 2 个的吞吐量。