Haswell 内核一次可以执行多少个 32 位整数操作？
How many 32-bit integer ops can a Haswell core perform at once?
在准备一些演示文稿时，我突然想到，我不知道 Haswell 内核一次可以执行的整数运算数量的理论限制是多少。
我曾经天真地假设 "Intel cores have HT, but that's probably parallelizing different kinds of work, so probably a core maxes out its parallelism with 256-bit AVX operations, so 8 integer ops which can be issued per clock cycle (and assuming nice pipelining, 8 completing as well)." - 所以 8 ops/cycle.
但后来我注意到 this article，这告诉我 Haswells（和 Sandy Bridges）有 3 个调度端口，可以为矢量单元供电。那么真正的24位数字是整数吗ops/cycle?
PS - 我意识到在实践中您可能需要实际从内存中读取所有这些数据，而它的带宽将是限制因素。或者是QPI太慢了。
理论最大值是 25 每个周期 32 位整数操作数：
- 端口 0：1 个标量运算或 1 个向量常量移位或按位布尔运算
- 端口 1：1 个标量运算或 1 个向量 add/sub/min/max 或 cmp 或按位布尔运算
- 端口 5：1 个标量运算或 1 个向量 add/sub/min/max 或 cmp 或按位布尔运算
- 端口 6：1 个标量运算（或 2 个，如果你用 64 位整数寄存器计算 SWAR）。
由于矢量运算可以执行 8 个 32 位运算，因此每个周期最多 25 个整数运算 - 端口 0、1 和 5 各 8 个，端口 1 个6. 或者 26 当 p6 上的 SIMD-within-a-register 可行时。 （参见 Paul Clayton 的评论。）
如果我们只是在谈论 "normal" 整数（add/multiply/bitwise/shift），那么如果我们想要的话，我们必须排除 32 位乘法（除了 2 的幂常数）每个时钟实现 25 次操作。真正的整数代码通常能够让 p0 忙于乘法、PSADBW、移位和布尔运算，并且几乎总是有大量的改组 (p5)。我们人为地排除了严格来说不是每个时钟吞吐量 8 个 32 位操作的东西，例如乘法、可变计数移位以及整数和向量寄存器之间的数据移动。 (MOVD / MOVQ).
向量在 p0 上乘以 运行，但是 VPMULLD（8 个 32x32 -> 32b 乘法）每 2 个周期仅 运行s，因为它需要 2 个相关的微指令（10c潜伏）。有关说明 uop/port/throughput/latency 表，请参阅 http://agner.org/optimize/。
在前端维持此吞吐量将需要循环缓冲区，因此请保持循环小于 28 微指令（或 56 微指令，没有超线程）。这包括比较和分支循环开销，因此理论吞吐量实际上略低于 25。不过，在 p6 上融合了宏融合比较和分支 运行s，因此它仅取代每 7 个标量运算，使得可持续的吞吐量大约是每时钟 24.85 次操作。 （或 SWAR 为 25.85）。
在准备一些演示文稿时，我突然想到，我不知道 Haswell 内核一次可以执行的整数运算数量的理论限制是多少。
我曾经天真地假设 "Intel cores have HT, but that's probably parallelizing different kinds of work, so probably a core maxes out its parallelism with 256-bit AVX operations, so 8 integer ops which can be issued per clock cycle (and assuming nice pipelining, 8 completing as well)." - 所以 8 ops/cycle.
但后来我注意到 this article，这告诉我 Haswells（和 Sandy Bridges）有 3 个调度端口，可以为矢量单元供电。那么真正的24位数字是整数吗ops/cycle?
PS - 我意识到在实践中您可能需要实际从内存中读取所有这些数据，而它的带宽将是限制因素。或者是QPI太慢了。
理论最大值是 25 每个周期 32 位整数操作数：
- 端口 0：1 个标量运算或 1 个向量常量移位或按位布尔运算
- 端口 1：1 个标量运算或 1 个向量 add/sub/min/max 或 cmp 或按位布尔运算
- 端口 5：1 个标量运算或 1 个向量 add/sub/min/max 或 cmp 或按位布尔运算
- 端口 6：1 个标量运算（或 2 个，如果你用 64 位整数寄存器计算 SWAR）。
由于矢量运算可以执行 8 个 32 位运算，因此每个周期最多 25 个整数运算 - 端口 0、1 和 5 各 8 个，端口 1 个6. 或者 26 当 p6 上的 SIMD-within-a-register 可行时。 （参见 Paul Clayton 的评论。）
如果我们只是在谈论 "normal" 整数（add/multiply/bitwise/shift），那么如果我们想要的话，我们必须排除 32 位乘法（除了 2 的幂常数）每个时钟实现 25 次操作。真正的整数代码通常能够让 p0 忙于乘法、PSADBW、移位和布尔运算，并且几乎总是有大量的改组 (p5)。我们人为地排除了严格来说不是每个时钟吞吐量 8 个 32 位操作的东西，例如乘法、可变计数移位以及整数和向量寄存器之间的数据移动。 (MOVD / MOVQ).
向量在 p0 上乘以 运行，但是 VPMULLD（8 个 32x32 -> 32b 乘法）每 2 个周期仅 运行s，因为它需要 2 个相关的微指令（10c潜伏）。有关说明 uop/port/throughput/latency 表，请参阅 http://agner.org/optimize/。
在前端维持此吞吐量将需要循环缓冲区，因此请保持循环小于 28 微指令（或 56 微指令，没有超线程）。这包括比较和分支循环开销，因此理论吞吐量实际上略低于 25。不过，在 p6 上融合了宏融合比较和分支 运行s，因此它仅取代每 7 个标量运算，使得可持续的吞吐量大约是每时钟 24.85 次操作。 （或 SWAR 为 25.85）。