了解 std::transform 以及如何打败它

Understanding std::transform and how to beat it

我正在尝试理解针对一个简单、具体问题的面向数据的设计。提前向面向数据的设计人员道歉,如果我做了一些非常愚蠢的事情,但我很难理解我的推理失败的原因和位置。

假设我有一个简单的操作,float_t result = int_t(lhs) / int_t(rhs)。如果我将所有变量保存在它们相应的容器中, 例如 std::vector<float_t>std::vector<int_t>,并且我使用 std::transform,我会得到正确的结果.然后,对于 using float_t = floatusing int_t = int16_t 的具体示例,我假设在 64 位架构上将这些变量打包到 struct 中,并将它们收集到容器中 应该 产生更好的性能。

我认为 struct 构成了一个 64 位对象,并且对 struct 的单个内存访问将为我提供我需要的所有变量。另一方面,当所有这些变量都收集在不同的容器中时,我将需要三种不同的内存访问来获取所需的信息。以下是我如何设置环境:

#include <algorithm>
#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>

using namespace std::chrono;

template <class float_t, class int_t> struct Packed {
  float_t sinvl;
  int_t s, l;
  Packed() = default;
  Packed(float_t sinvl, int_t s, int_t l) : sinvl{sinvl}, s{s}, l{l} {}
  void comp() { sinvl = float_t(l) / s; }
};

using my_float = float;
using my_int = int16_t;

int main(int argc, char *argv[]) {
  constexpr uint32_t M{100};
  for (auto N : {1000, 10000, 100000}) {
    double t1{0}, t2{0};
    for (uint32_t m = 0; m < M; m++) {
      std::vector<my_float> sinvl(N, 0.0);
      std::vector<my_int> s(N, 3), l(N, 2);
      std::vector<Packed<my_float, my_int>> p1(
          N, Packed<my_float, my_int>(0.0, 3, 2));

      // benchmark unpacked
      auto tstart = high_resolution_clock::now();
      std::transform(l.cbegin(), l.cend(), s.cbegin(), sinvl.begin(),
                     std::divides<my_float>{}); // 3 different memory accesses
      auto tend = high_resolution_clock::now();
      t1 += duration_cast<microseconds>(tend - tstart).count();

      if (m == M - 1)
        std::cout << "sinvl[0]: " << sinvl[0] << '\n';

      // benchmark packed
      tstart = high_resolution_clock::now();
      for (auto &elem : p1) // 1 memory access
        elem.comp();
      tend = high_resolution_clock::now();
      t2 += duration_cast<microseconds>(tend - tstart).count();

      if (m == M - 1)
        std::cout << "p1[0].sinvl: " << p1[0].sinvl << '\n';
    }
    std::cout << "N = " << N << ", unpacked: " << (t1 / M) << " us.\n";
    std::cout << "N = " << N << ", packed: " << (t2 / M) << " us.\n";
  }
  return 0;
}

g++ -O3 的编译代码在我的机器上产生,

sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 1000, unpacked: 0 us.
N = 1000, packed: 1 us.
sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 10000, unpacked: 5.06 us.
N = 10000, packed: 12.97 us.
sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 100000, unpacked: 52.31 us.
N = 100000, packed: 124.49 us.

基本上,std::transform2.5x 压缩访问要快。如果您帮助我理解这种行为,我将不胜感激。结果是由于

  1. 我没有正确把握面向数据的设计原则,或者,
  2. 这个非常简单的示例的一些人工制品,例如内存位置彼此分配得非常接近,并且在某种程度上被编译器非常有效地优化?

最后,在这个例子中有没有办法击败 std::transform,或者它是否足够好成为首选解决方案?我不是编译器优化方面的专家,也不是面向数据设计方面的专家,因此,我自己无法回答这个问题。

谢谢!

编辑。 我已经根据@bolov 在评论中的建议更改了测试这两种方法的方式。

现在代码如下所示:

#include <algorithm>
#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>

using namespace std::chrono;

template <class float_t, class int_t> struct Packed {
  float_t sinvl;
  int_t s, l;
  Packed() = default;
  Packed(float_t sinvl, int_t s, int_t l) : sinvl{sinvl}, s{s}, l{l} {}
  void comp() { sinvl = float_t(l) / s; }
};

using my_float = float;
using my_int = int16_t;

int main(int argc, char *argv[]) {
  uint32_t N{1000};
  double t{0};

  if (argc == 2)
    N = std::stoul(argv[1]);

#ifndef _M_PACKED
  std::vector<my_float> sinvl(N, 0.0);
  std::vector<my_int> s(N, 3), l(N, 2);

  // benchmark unpacked
  auto tstart = high_resolution_clock::now();
  std::transform(l.cbegin(), l.cend(), s.cbegin(), sinvl.begin(),
                 std::divides<my_float>{}); // 3 different memory accesses
  auto tend = high_resolution_clock::now();
  t += duration_cast<microseconds>(tend - tstart).count();

  std::cout << "sinvl[0]: " << sinvl[0] << '\n';
  std::cout << "N = " << N << ", unpacked: " << t << " us.\n";
#else
  std::vector<Packed<my_float, my_int>> p1(N,
                                           Packed<my_float, my_int>(0.0, 3, 2));
  // benchmark packed
  auto tstart = high_resolution_clock::now();
  for (auto &elem : p1) // 1 memory access
    elem.comp();
  auto tend = high_resolution_clock::now();
  t += duration_cast<microseconds>(tend - tstart).count();

  std::cout << "p1[0].sinvl: " << p1[0].sinvl << '\n';
  std::cout << "N = " << N << ", packed: " << t << " us.\n";
#endif

  return 0;
}

用相应的shell(鱼)脚本

g++ -Wall -std=c++11 -O3 transform.cpp -o transform_unpacked.out
g++ -Wall -std=c++11 -O3 transform.cpp -o transform_packed.out -D_M_PACKED
for N in 1000 10000 100000
  echo "Testing unpacked for N = $N"
  ./transform_unpacked.out $N
  ./transform_unpacked.out $N
  ./transform_unpacked.out $N
  echo "Testing packed for N = $N"
  ./transform_packed.out $N
  ./transform_packed.out $N
  ./transform_packed.out $N
end

给出以下内容:

Testing unpacked for N = 1000
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
Testing packed for N = 1000
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
Testing unpacked for N = 10000
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
Testing packed for N = 10000
p1[0].sinvl: 0.666667
N = 10000, packed: 17 us.
p1[0].sinvl: 0.666667
N = 10000, packed: 13 us.
p1[0].sinvl: 0.666667
N = 10000, packed: 13 us.
Testing unpacked for N = 100000
sinvl[0]: 0.666667
N = 100000, unpacked: 64 us.
sinvl[0]: 0.666667
N = 100000, unpacked: 66 us.
sinvl[0]: 0.666667
N = 100000, unpacked: 66 us.
Testing packed for N = 100000
p1[0].sinvl: 0.666667
N = 100000, packed: 180 us.
p1[0].sinvl: 0.666667
N = 100000, packed: 198 us.
p1[0].sinvl: 0.666667
N = 100000, packed: 177 us.

希望我已经正确理解了正确的测试方法。尽管如此,还是相差2-3倍。

这是 std::transform 案例的编译循环:

  400fd0:       f3 41 0f 7e 04 47       movq   xmm0,QWORD PTR [r15+rax*2]
  400fd6:       66 0f 61 c0             punpcklwd xmm0,xmm0
  400fda:       66 0f 72 e0 10          psrad  xmm0,0x10
  400fdf:       0f 5b c0                cvtdq2ps xmm0,xmm0
  400fe2:       f3 0f 7e 0c 43          movq   xmm1,QWORD PTR [rbx+rax*2]
  400fe7:       66 0f 61 c9             punpcklwd xmm1,xmm1
  400feb:       66 0f 72 e1 10          psrad  xmm1,0x10
  400ff0:       0f 5b c9                cvtdq2ps xmm1,xmm1
  400ff3:       0f 5e c1                divps  xmm0,xmm1
  400ff6:       41 0f 11 04 80          movups XMMWORD PTR [r8+rax*4],xmm0
  400ffb:       f3 41 0f 7e 44 47 08    movq   xmm0,QWORD PTR [r15+rax*2+0x8]
  401002:       66 0f 61 c0             punpcklwd xmm0,xmm0
  401006:       66 0f 72 e0 10          psrad  xmm0,0x10
  40100b:       0f 5b c0                cvtdq2ps xmm0,xmm0
  40100e:       f3 0f 7e 4c 43 08       movq   xmm1,QWORD PTR [rbx+rax*2+0x8]
  401014:       66 0f 61 c9             punpcklwd xmm1,xmm1
  401018:       66 0f 72 e1 10          psrad  xmm1,0x10
  40101d:       0f 5b c9                cvtdq2ps xmm1,xmm1
  401020:       0f 5e c1                divps  xmm0,xmm1
  401023:       41 0f 11 44 80 10       movups XMMWORD PTR [r8+rax*4+0x10],xmm0
  401029:       48 83 c0 08             add    rax,0x8
  40102d:       48 83 c1 02             add    rcx,0x2
  401031:       75 9d                   jne    400fd0 <main+0x570>

在每个循环周期中,它处理8个元素(有两条divps指令,每条指令做4次除法)。

这是另一种情况:

  401190:       f3 0f 6f 42 04          movdqu xmm0,XMMWORD PTR [rdx+0x4]
  401195:       f3 0f 6f 4a 14          movdqu xmm1,XMMWORD PTR [rdx+0x14]
  40119a:       66 0f 70 c9 e8          pshufd xmm1,xmm1,0xe8
  40119f:       66 0f 70 c0 e8          pshufd xmm0,xmm0,0xe8
  4011a4:       f2 0f 70 d0 e8          pshuflw xmm2,xmm0,0xe8
  4011a9:       66 0f 6c c1             punpcklqdq xmm0,xmm1
  4011ad:       66 0f 72 e0 10          psrad  xmm0,0x10
  4011b2:       0f 5b c0                cvtdq2ps xmm0,xmm0
  4011b5:       f2 0f 70 c9 e8          pshuflw xmm1,xmm1,0xe8
  4011ba:       66 0f 62 d1             punpckldq xmm2,xmm1
  4011be:       66 0f 61 ca             punpcklwd xmm1,xmm2
  4011c2:       66 0f 72 e1 10          psrad  xmm1,0x10
  4011c7:       0f 5b c9                cvtdq2ps xmm1,xmm1
  4011ca:       0f 5e c1                divps  xmm0,xmm1
  4011cd:       f3 0f 11 02             movss  DWORD PTR [rdx],xmm0
  4011d1:       0f 28 c8                movaps xmm1,xmm0
  4011d4:       0f c6 c9 e5             shufps xmm1,xmm1,0xe5
  4011d8:       f3 0f 11 4a 08          movss  DWORD PTR [rdx+0x8],xmm1
  4011dd:       0f 28 c8                movaps xmm1,xmm0
  4011e0:       0f 12 c9                movhlps xmm1,xmm1
  4011e3:       f3 0f 11 4a 10          movss  DWORD PTR [rdx+0x10],xmm1
  4011e8:       0f c6 c0 e7             shufps xmm0,xmm0,0xe7
  4011ec:       f3 0f 11 42 18          movss  DWORD PTR [rdx+0x18],xmm0
  4011f1:       48 83 c2 20             add    rdx,0x20
  4011f5:       48 83 c1 fc             add    rcx,0xfffffffffffffffc
  4011f9:       75 95                   jne    401190 <main+0x730>

在每个循环周期中,它处理4个元素(有一个divps指令)。

在第一种情况下,数据格式良好,SIMD 指令可以(几乎)在不移动任何数据的情况下对其进行操作,并且可以轻松写入结果(一条指令写入 4 个结果)。

然而,在第二种情况下,情况并非如此。编译器必须发出大量数据移动(混洗)操作,并且每个结果都用单独的指令编写。所以 input/output 不是 SIMD 友好格式。

我没有时间进一步分析这个问题,但如果你只是认为这两个片段具有相似的大小、相似的指令,但第一个处理的元素数量是第二个的两倍,你可以知道为什么第二个更慢。抱歉草率的解释。

[...] and collecting them inside a container should yield better performance.

我认为对于顺序访问情况,您的直觉有点倒退。仅考虑对非平凡大小的输入的顺序循环,对于 顺序访问

,SoA 几乎总是与 AoS 一样快或更快。

在许多情况下,SoA 实际上会比 AoS 净减少缓存未命中总数,因为它避免了结构填充(不面临交错非同类字段的对齐要求)并且您可以避免加载冷字段一个给定的循环(例如:物理模拟器可能能够避免加载粒子的 color 场,在应用物理时仅用于渲染)。您的案例不会从这些中受益,但请记住这一点。

AoS 倾向于 excel 的地方是 随机访问 。在那种情况下,如果您加载第 4096 个元素,您可能只需要一个带有 AoS 的缓存行来获取所有三个字段。如果您使用 SoA,则需要 3,并且它可能会为相邻元素加载大量数据(元素 4097、4098、4099 等的数据),其中 none 由于随机性而在驱逐之前被使用- 内存访问模式的访问性质。但是对于顺序访问,所有这些相邻数据通常会在驱逐之前与 SoA 代表一起使用。

因此,就缓存未命中率而言,如果您按顺序循环非平凡的输入大小,SoA 通常会平局或获胜。

但此外,在这种顺序访问模式中,所有相邻数据都将在逐出之前使用,当您考虑数据从缓存加载到 SIMD 寄存器时的动态时,SoA 提供同类数据。它可以以 float, float, float, float, ...int16, int16, int16, int16, ... 的形式加载内存,而不是 float, int16, int16, float, int16, int16 ... 并且跨 SIMD 寄存器执行 vertical/symmetrical 操作。这种情况往往会为人类和编译器提供更多的优化机会,正如 Geza 指出的那样,这可能是您的特定情况受益最多的地方。

Finally, is there a way to beat std::transform in this example, or, is it simply good enough to be a go-to solution?

我认为在满足相同要求的同时试图击败 std::transform 是一种错误的看待方式,但您可以通过稍微改变它们来获得一些性能提升。例如,代替 std::divides,您可以提前准备数据以将其转换为乘法。在你的情况下,我最想寻找的是看看代码是否可以针对更快的 SoA ("unpacked") 代表并行执行。您可能能够在每个单独的线程中处理每个 SoA 容器的给定索引范围,仍然在每个线程中使用 std::transform