我需要做什么才能让 GCC 4.9 认识到使用 AVX FMA 的机会?
What do I need to do so GCC 4.9 recognizes the opportunity to use AVX FMA?
我有 std::vector<double> X,Y
大小 N
(N%16==0
),我想计算 sum(X[i]*Y[i])
。这是 Fused Multiply and Add (FMA) 的经典用例,它在支持 AVX 的处理器上应该很快。我知道我所有的目标 CPU 都是 Intel、Haswell 或更新的。
如何让 GCC 发出该 AVX 代码? -mfma
是解决方案的一部分,但我需要其他开关吗?
std::vector<double>::operator[]
是否阻碍了这一点?我知道我可以变身
size_t N = X.size();
double sum = 0.0;
for (size_t i = 0; i != N; ++i) sum += X[i] * Y[i];
到
size_t N = X.size();
double sum = 0.0;
double const* Xp = &X[0];
double const* Yp = &X[0];
for (size_t i = 0; i != N; ++i) sum += Xp[i] * Yp[i];
所以编译器可以发现 &X[0]
在循环中没有改变。但这是否足够甚至是必要的?
当前编译器是 GCC 4.9.2、Debian 8,但如果需要可以升级到 GCC 5。
我不确定这是否会让您一路走来,但我几乎可以肯定这是解决方案的重要组成部分。
您必须将循环分成两部分:0 到 N,步骤 M>1。我会尝试使用 16、8、4 的 M,然后查看 asm。以及 0 到 M 的内部循环。不用担心数学迭代器数学。 Gcc 很聪明。
Gcc 应该展开内部循环,它们可以对它进行 SIMD,也可能使用 FMA。
你看过程序集了吗?我放
double foo(std::vector<double> &X, std::vector<double> &Y) {
size_t N = X.size();
double sum = 0.0;
for (size_t i = 0; i <N; ++i) sum += X[i] * Y[i];
return sum;
}
进入 http://gcc.godbolt.org/ 并使用 -O3 -mfma
查看 GCC 4.9.2 中的程序集,我看到
.L3:
vmovsd (%rcx,%rax,8), %xmm1
vfmadd231sd (%rsi,%rax,8), %xmm1, %xmm0
addq , %rax
cmpq %rdx, %rax
jne .L3
所以它使用了fma。但是,它不会对循环进行矢量化(sd
中的 s
表示单(即未打包),而 d
表示双浮点数)。
要对循环进行矢量化,您需要启用关联数学,例如-Ofast
。使用 -Ofast -mavx2 -mfma
得到
.L8:
vmovupd (%rax,%rsi), %xmm2
addq , %r10
vinsertf128 [=12=]x1, 16(%rax,%rsi), %ymm2, %ymm2
vfmadd231pd (%r12,%rsi), %ymm2, %ymm1
addq , %rsi
cmpq %r10, %rdi
ja .L8
所以现在它是矢量化的(pd
表示压缩双打)。但是,它没有展开。这是目前 GCC 的限制。由于依赖链,您需要展开多次。如果您想让编译器为您执行此操作,请考虑使用展开四次的 Clang,否则使用内部函数手动展开。
请注意,与 GCC 不同,Clang 在 -mfma
中默认不使用 fma。为了将 fma 与 Clang 一起使用,请使用 -ffp-contract=fast
(例如 -O3 -mfma -ffp-contract=fast
)或 #pragma STDC FP_CONTRACT ON
或启用关联数学,例如-Ofast
如果您想使用 Clang 对循环进行矢量化,无论如何您都需要启用关联数学。
有关使用不同编译器启用 fma 的详细信息,请参阅 and 。
GCC 创建了很多额外的代码来处理错位,并且 N
不是 8 的倍数。您可以告诉编译器假设数组使用 __builtin_assume_aligned
对齐并且 N 是一个使用 N & -8
的 8 的倍数
下面的代码用-Ofast -mavx2 -mfma
double foo2(double * __restrict X, double * __restrict Y, int N) {
X = (double*)__builtin_assume_aligned(X,32);
Y = (double*)__builtin_assume_aligned(Y,32);
double sum = 0.0;
for (int i = 0; i < (N &-8); ++i) sum += X[i] * Y[i];
return sum;
}
生成以下简单程序集
andl $-8, %edx
jle .L4
subl , %edx
vxorpd %xmm0, %xmm0, %xmm0
shrl , %edx
xorl %ecx, %ecx
leal 1(%rdx), %eax
xorl %edx, %edx
.L3:
vmovapd (%rsi,%rdx), %ymm2
addl , %ecx
vfmadd231pd (%rdi,%rdx), %ymm2, %ymm0
addq , %rdx
cmpl %eax, %ecx
jb .L3
vhaddpd %ymm0, %ymm0, %ymm0
vperm2f128 , %ymm0, %ymm0, %ymm1
vaddpd %ymm1, %ymm0, %ymm0
vzeroupper
ret
.L4:
vxorpd %xmm0, %xmm0, %xmm0
ret
我有 std::vector<double> X,Y
大小 N
(N%16==0
),我想计算 sum(X[i]*Y[i])
。这是 Fused Multiply and Add (FMA) 的经典用例,它在支持 AVX 的处理器上应该很快。我知道我所有的目标 CPU 都是 Intel、Haswell 或更新的。
如何让 GCC 发出该 AVX 代码? -mfma
是解决方案的一部分,但我需要其他开关吗?
std::vector<double>::operator[]
是否阻碍了这一点?我知道我可以变身
size_t N = X.size();
double sum = 0.0;
for (size_t i = 0; i != N; ++i) sum += X[i] * Y[i];
到
size_t N = X.size();
double sum = 0.0;
double const* Xp = &X[0];
double const* Yp = &X[0];
for (size_t i = 0; i != N; ++i) sum += Xp[i] * Yp[i];
所以编译器可以发现 &X[0]
在循环中没有改变。但这是否足够甚至是必要的?
当前编译器是 GCC 4.9.2、Debian 8,但如果需要可以升级到 GCC 5。
我不确定这是否会让您一路走来,但我几乎可以肯定这是解决方案的重要组成部分。
您必须将循环分成两部分:0 到 N,步骤 M>1。我会尝试使用 16、8、4 的 M,然后查看 asm。以及 0 到 M 的内部循环。不用担心数学迭代器数学。 Gcc 很聪明。
Gcc 应该展开内部循环,它们可以对它进行 SIMD,也可能使用 FMA。
你看过程序集了吗?我放
double foo(std::vector<double> &X, std::vector<double> &Y) {
size_t N = X.size();
double sum = 0.0;
for (size_t i = 0; i <N; ++i) sum += X[i] * Y[i];
return sum;
}
进入 http://gcc.godbolt.org/ 并使用 -O3 -mfma
查看 GCC 4.9.2 中的程序集,我看到
.L3:
vmovsd (%rcx,%rax,8), %xmm1
vfmadd231sd (%rsi,%rax,8), %xmm1, %xmm0
addq , %rax
cmpq %rdx, %rax
jne .L3
所以它使用了fma。但是,它不会对循环进行矢量化(sd
中的 s
表示单(即未打包),而 d
表示双浮点数)。
要对循环进行矢量化,您需要启用关联数学,例如-Ofast
。使用 -Ofast -mavx2 -mfma
得到
.L8:
vmovupd (%rax,%rsi), %xmm2
addq , %r10
vinsertf128 [=12=]x1, 16(%rax,%rsi), %ymm2, %ymm2
vfmadd231pd (%r12,%rsi), %ymm2, %ymm1
addq , %rsi
cmpq %r10, %rdi
ja .L8
所以现在它是矢量化的(pd
表示压缩双打)。但是,它没有展开。这是目前 GCC 的限制。由于依赖链,您需要展开多次。如果您想让编译器为您执行此操作,请考虑使用展开四次的 Clang,否则使用内部函数手动展开。
请注意,与 GCC 不同,Clang 在 -mfma
中默认不使用 fma。为了将 fma 与 Clang 一起使用,请使用 -ffp-contract=fast
(例如 -O3 -mfma -ffp-contract=fast
)或 #pragma STDC FP_CONTRACT ON
或启用关联数学,例如-Ofast
如果您想使用 Clang 对循环进行矢量化,无论如何您都需要启用关联数学。
有关使用不同编译器启用 fma 的详细信息,请参阅
GCC 创建了很多额外的代码来处理错位,并且 N
不是 8 的倍数。您可以告诉编译器假设数组使用 __builtin_assume_aligned
对齐并且 N 是一个使用 N & -8
下面的代码用-Ofast -mavx2 -mfma
double foo2(double * __restrict X, double * __restrict Y, int N) {
X = (double*)__builtin_assume_aligned(X,32);
Y = (double*)__builtin_assume_aligned(Y,32);
double sum = 0.0;
for (int i = 0; i < (N &-8); ++i) sum += X[i] * Y[i];
return sum;
}
生成以下简单程序集
andl $-8, %edx
jle .L4
subl , %edx
vxorpd %xmm0, %xmm0, %xmm0
shrl , %edx
xorl %ecx, %ecx
leal 1(%rdx), %eax
xorl %edx, %edx
.L3:
vmovapd (%rsi,%rdx), %ymm2
addl , %ecx
vfmadd231pd (%rdi,%rdx), %ymm2, %ymm0
addq , %rdx
cmpl %eax, %ecx
jb .L3
vhaddpd %ymm0, %ymm0, %ymm0
vperm2f128 , %ymm0, %ymm0, %ymm1
vaddpd %ymm1, %ymm0, %ymm0
vzeroupper
ret
.L4:
vxorpd %xmm0, %xmm0, %xmm0
ret