使用 GCC 和 GFORTRAN 进行矢量化

Question

我有一个简单的循环，我希望在程序集中看到 YMM 寄存器，但我只看到 XMM

program loopunroll
integer i
double precision x(8)
do i=1,8
   x(i) = dble(i) + 5.0d0
enddo
end program loopunroll

然后我编译它（gcc或gfortran无所谓。我使用的是gcc 8.1.0）

[user@machine avx]$ gfortran -S -mavx loopunroll.f90
[user@machine avx]$ cat loopunroll.f90|grep mm
[user@machine avx]$ cat loopunroll.s|grep mm
    vcvtsi2sd       -4(%rbp), %xmm0, %xmm0
    vmovsd  .LC0(%rip), %xmm1
    vaddsd  %xmm1, %xmm0, %xmm0
    vmovsd  %xmm0, -80(%rbp,%rax,8)

但如果我这样做，intel parallel studio 2018 update3:

[user@machine avx]$ ifort -S -mavx loopunroll.f90
[user@machine avx]$ cat loopunroll.s|grep mm                                                 vmovdqu   .L_2il0floatpacket.0(%rip), %xmm2             #11.8
    vpaddd    .L_2il0floatpacket.2(%rip), %xmm2, %xmm3      #11.15
    vmovupd   .L_2il0floatpacket.1(%rip), %ymm4             #11.23
    vcvtdq2pd %xmm2, %ymm0                                  #11.15
    vcvtdq2pd %xmm3, %ymm5                                  #11.15
    vaddpd    %ymm0, %ymm4, %ymm1                           #11.8
    vaddpd    %ymm5, %ymm4, %ymm6                           #11.8
    vmovupd   %ymm1, loopunroll_$X.0.1(%rip)                #11.8
    vmovupd   %ymm6, 32+loopunroll_$X.0.1(%rip)             #11.8

我也试过flags -行军=核心-avx2 -mtune=核心-avx2 对于 gnu 和 intel，我仍然在 gnu 生产的程序集中得到相同的 XMM 结果，但在 intel 生产的程序集中得到 YMM

各位，我应该做些什么不同的事情？

非常感谢， M

Answer 1

您忘记启用 gfortran 优化。使用 gfortran -O3 -march=native.

为了不完全优化，编写一个函数（子例程）产生一个结果，该代码在子例程之外可以看到。例如以 x 作为参数并存储它。编译器必须发出适用于任何调用者的 asm，包括调用子例程后关心数组内容的调用者。

对于 gcc，-ftree-vectorize 仅在 -O3 启用，而不是 -O2。

gcc 的默认值是 -O0，即编译速度很快，但生成的代码非常慢，但调试一致。

gcc 永远不会在 -O0 处自动向量化。您必须使用 -O3 或 -O2 -ftree-vectorize.

ifort 默认值显然包括优化，这与 gcc 不同。如果你不为 gcc 使用 -O3，你不应该期望 ifort -S 和 gcc -S 输出远程相似。

when I use -O3 it throws away any reference to both XMM and YMM in the assembly.

编译器优化掉无用的工作是件好事。

编写一个接受数组输入 arg 并写入输出 arg 的函数，并查看该函数的 asm。或者在两个全局数组上运行的函数。不是一个完整的程序，因为编译器有完整的程序优化。

无论如何，请参阅以获取有关编写用于查看编译器 asm 输出的有用函数的提示。这是一个 C 问答，但所有建议也适用于 Fortran：编写带有 args 和 return 结果或具有无法优化的副作用的函数。

http://godbolt.org/ 没有 Fortran，看起来 -xfortran 无法使 g++ 编译为 Fortran。（不过，-xc 可以在 Godbolt 上编译为 C 而不是 C++。）否则我会推荐该工具来查看编译器输出。

我为您的循环制作了一个 C 版本，以查看 gcc 对其优化器可能类似的输入做了什么。（我没有安装gfortran 8.1，对Fortran几乎一窍不通。我是来看AVX和优化标签的，但是gfortran使用的后端和我非常熟悉的gcc一样。）

void store_i5(double *x) {
    for(int i=0 ; i<512; i++) {
        x[i] = 5.0 + i;
    }
}

以 i<8 作为循环条件，gcc -O3 -march=haswell 和 clang 明智地优化函数以从静态常量复制 8 doubles，vmovupd。增加数组大小，gcc 完全展开一个副本，大小惊人，高达 143 doubles。但是对于 144 或更多，它会创建一个实际计算的循环。某处可能有一个调整参数来控制这种启发式。顺便说一句，即使是 256 double 秒，clang 也会完全展开一个副本，-O3 -march=haswell。但是 512 足够大，gcc 和 clang 都可以循环计算。

gcc8.1 的内部循环（使用 -O3 -march=haswell）看起来像这样，使用 -masm=intel。（参见 source+asm on the Godbolt compiler explorer）。

    vmovdqa ymm1, YMMWORD PTR .LC0[rip]  # [0,1,2,3,4,5,6,7]
    vmovdqa ymm3, YMMWORD PTR .LC1[rip]  # set1_epi32(8)
    lea     rax, [rdi+4096]              # rax = endp
    vmovapd ymm2, YMMWORD PTR .LC2[rip]  # set1_pd(5.0)

.L2:                                   # do {
    vcvtdq2pd       ymm0, xmm1              # packed convert 4 elements to double
    vaddpd  ymm0, ymm0, ymm2                # +5.0
    add     rdi, 64
    vmovupd YMMWORD PTR [rdi-64], ymm0      # store x[i+0..3]
    vextracti128    xmm0, ymm1, 0x1
    vpaddd  ymm1, ymm1, ymm3                # [i0, i1, i2, ..., i7] += 8 packed 32-bit integer add (d=dword)
    vcvtdq2pd       ymm0, xmm0              # convert the high 4 elements
    vaddpd  ymm0, ymm0, ymm2
    vmovupd YMMWORD PTR [rdi-32], ymm0
    cmp     rax, rdi
    jne     .L2                        # }while(p < endp);

我们可以通过使用偏移来阻止小型数组的常量传播，因此要存储的值不再是编译时常量：

void store_i5_var(double *x, int offset) {
    for(int i=0 ; i<8; i++) {
        x[i] = 5.0 + (i + offset);
    }
}

gcc 使用与上面基本相同的循环体，有一些设置但相同的向量常量。

调整选项：

gcc -O3 -march=native 在某些目标上更喜欢使用 128 位向量进行自动向量化，因此您仍然不会获得 YMM 寄存器。您可以使用 -march=native -mprefer-vector-width=256 来覆盖它。 (https://gcc.gnu.org/onlinedocs/gcc/x86-Options.html)。（或者使用 gcc7 和更早版本，-mno-prefer-avx128`。）

gcc 比 -march=haswell 更喜欢 256 位，因为执行单元完全是 256 位，并且它具有高效的 256 位 loads/stores.

Bulldozer 和 Zen 在内部将 256 位指令拆分为两个 128 位指令，因此它实际上可以比运行两倍多的 XMM 指令更快，尤其是当您的数据并不总是按 32 位对齐时。或者当标量序言/结尾开销相关时。如果您使用的是 AMD CPU，则绝对要以两种方式进行基准测试。或者实际上对于任何 CPU 这不是一个坏主意。

同样在这种情况下，gcc 没有意识到它应该使用整数的 XMM 向量和双精度的 YMM 向量。（Clang 和 ICC 在适当的时候更擅长混合不同的向量宽度）。相反，它每次都提取 YMM 整数向量的高 128 位。所以 128 位矢量化有时会获胜的一个原因是有时 gcc 在进行 256 位矢量化时搬起石头砸自己的脚。（gcc 的自动矢量化对于不支持的类型通常很笨拙宽度都一样。)

使用 -march=znver1 -mno-prefer-avx128，gcc8.1 使用两个 128 位的一半存储到内存，因为它不知道目标是否是 32 字节对齐的 (https://godbolt.org/g/A66Egm) . tune=znver1 设置 -mavx256-split-unaligned-store。您可以使用 -mno-avx256-split-unaligned-store 覆盖它，例如如果你的数组通常是对齐的，但你没有给编译器足够的信息。

Answer 2

整理一下，彼得的建议是正确的。我的代码现在看起来像：

program loopunroll

double precision x(512)
call looptest(x)

end program loopunroll

subroutine looptest(x)
  integer i
  double precision x(512)
  do i=1,512
     x(i) = dble(i) + 5.0d0
  enddo
  return
end subroutine looptest

并且生成 YMM 的方法是

 gfortran -S  -march=haswell -O3 loopunroll.f90

使用 GCC 和 GFORTRAN 进行矢量化

Vectorization with GCC and GFORTRAN

gcc

avx

compiler-optimization

avx2

intel-fortran

调整选项：