为什么这个不必要的 MOVAPD 复制在 gcc 9.1 中，在一个小函数中
Why this unnecessary MOVAPD copy in gcc 9.1, in a tiny function
考虑以下代码：
double x(double a,double b) {
return a*(float)b;
}
它执行从 double 到 float 的转换，然后再次转换为 double 并相乘。
当我在 x86/64 上使用 gcc 9.1 和 -O3 编译它时，我得到：
x(double, double):
movapd xmm2, xmm0
pxor xmm0, xmm0
cvtsd2ss xmm1, xmm1
cvtss2sd xmm0, xmm1
mulsd xmm0, xmm2
ret
使用 clang 和旧版本的 gcc 我得到这个：
x(double, double):
cvtsd2ss xmm1, xmm1
cvtss2sd xmm1, xmm1
mulsd xmm0, xmm1
ret
这里我没有将 xmm0 复制到 xmm2 中，这对我来说似乎没有必要。
使用 gcc 9.1 和 -Os 我得到：
x(double, double):
movapd xmm2, xmm0
cvtsd2ss xmm1, xmm1
cvtss2sd xmm0, xmm1
mulsd xmm0, xmm2
ret
所以它只是删除了将 xmm0 设置为零而不是 moveapd 的指令。
我相信所有三个版本都是正确的，那么 gcc 9.1 -O3 版本是否可以提高性能？如果是，为什么？ pxor xmm0, xmm0 指令有什么好处吗？
这个问题与 Assembly code redundancy in optimized C code 类似，但我认为它不一样，因为 gcc 的旧版本不会生成不必要的副本。
这是 GCC 遗漏的优化；不幸的是，对于 GCC 在微型函数 中这种情况并不少见，因为它的寄存器分配器在调用约定强加的硬寄存器约束下表现不佳；显然 GCC 在较大函数的部分之间通常不会像这样愚蠢。
pxor-归零是为了打破 cvtss2sd 的（假）输出依赖性，这是因为英特尔的短视设计，单源标量指令离开上部未修改的目标向量。他们从 PIII 的 SSE1 开始，它提供了短期收益，因为 PIII 将 XMM regs 处理为两个 64 位的一半，所以只写一半让像 sqrtss 这样的指令成为单 uop。
但不幸的是，即使对于 SSE2（Pentium 4 的新功能），他们也保留了这种模式。并且后来拒绝用 SSE 指令的 AVX 版本修复它。因此，编译器只能在通过错误依赖创建长循环携带依赖链或使用 pxor-zeroing 的风险之间做出选择。 GCC 保守地总是在 -O3 处使用 pxor，在 -Os 处省略它。 （像 mulsd 这样的 2 源操作已经依赖于作为输入的目的地，所以这是不必要的）。
在这种情况下，由于其寄存器分配选择不当，遗漏 pxor-归零将意味着将 (float)b 转换回 double 直到 [=19] 才能开始=] 准备好了。因此，如果关键路径是 a 准备就绪（b 提前准备好），则忽略它会增加 a-> Skylake 上结果的延迟 5 个周期（对于 2-uop cvtss2sd 到 运行 只有在 a 准备好之后，因为输出必须合并到最初保存 a 的寄存器中。）否则只有 mulsd等待 a，所有涉及 b 的事情都提前完成。
foo same,same 是解决输出依赖的另一种方法；这就是 clang 正在做的事情。 （以及 GCC 试图为 popcnt 做的事情，它出人意料地在 Sandybridge 系列上有一个架构上不需要的，不像这些愚蠢的 SSE 那样。）
顺便说一句，AVX 3 操作数指令有时确实提供了一种解决错误依赖关系的方法，使用“冷”寄存器或异或归零的寄存器作为要合并到的寄存器。包括标量 int->FP，尽管 clang 有时只使用 movd 加上打包转换。
相关：
movapd 和 pxor 归零在现代 CPU 上不会造成任何延迟，但没有什么是免费的。它们仍然需要前端 uop 和代码大小（L1i 缓存占用空间）。 movapd 后端零延迟，不需要执行单元，仅此而已 -
考虑以下代码：
double x(double a,double b) {
return a*(float)b;
}
它执行从 double 到 float 的转换，然后再次转换为 double 并相乘。
当我在 x86/64 上使用 gcc 9.1 和 -O3 编译它时，我得到：
x(double, double):
movapd xmm2, xmm0
pxor xmm0, xmm0
cvtsd2ss xmm1, xmm1
cvtss2sd xmm0, xmm1
mulsd xmm0, xmm2
ret
使用 clang 和旧版本的 gcc 我得到这个：
x(double, double):
cvtsd2ss xmm1, xmm1
cvtss2sd xmm1, xmm1
mulsd xmm0, xmm1
ret
这里我没有将 xmm0 复制到 xmm2 中，这对我来说似乎没有必要。
使用 gcc 9.1 和 -Os 我得到：
x(double, double):
movapd xmm2, xmm0
cvtsd2ss xmm1, xmm1
cvtss2sd xmm0, xmm1
mulsd xmm0, xmm2
ret
所以它只是删除了将 xmm0 设置为零而不是 moveapd 的指令。
我相信所有三个版本都是正确的，那么 gcc 9.1 -O3 版本是否可以提高性能？如果是，为什么？ pxor xmm0, xmm0 指令有什么好处吗？
这个问题与 Assembly code redundancy in optimized C code 类似，但我认为它不一样，因为 gcc 的旧版本不会生成不必要的副本。
这是 GCC 遗漏的优化；不幸的是，对于 GCC 在微型函数 中这种情况并不少见，因为它的寄存器分配器在调用约定强加的硬寄存器约束下表现不佳；显然 GCC 在较大函数的部分之间通常不会像这样愚蠢。
pxor-归零是为了打破 cvtss2sd 的（假）输出依赖性，这是因为英特尔的短视设计，单源标量指令离开上部未修改的目标向量。他们从 PIII 的 SSE1 开始，它提供了短期收益，因为 PIII 将 XMM regs 处理为两个 64 位的一半，所以只写一半让像 sqrtss 这样的指令成为单 uop。
但不幸的是，即使对于 SSE2（Pentium 4 的新功能），他们也保留了这种模式。并且后来拒绝用 SSE 指令的 AVX 版本修复它。因此，编译器只能在通过错误依赖创建长循环携带依赖链或使用 pxor-zeroing 的风险之间做出选择。 GCC 保守地总是在 -O3 处使用 pxor，在 -Os 处省略它。 （像 mulsd 这样的 2 源操作已经依赖于作为输入的目的地，所以这是不必要的）。
在这种情况下，由于其寄存器分配选择不当，遗漏 pxor-归零将意味着将 (float)b 转换回 double 直到 [=19] 才能开始=] 准备好了。因此，如果关键路径是 a 准备就绪（b 提前准备好），则忽略它会增加 a-> Skylake 上结果的延迟 5 个周期（对于 2-uop cvtss2sd 到 运行 只有在 a 准备好之后，因为输出必须合并到最初保存 a 的寄存器中。）否则只有 mulsd等待 a，所有涉及 b 的事情都提前完成。
foo same,same 是解决输出依赖的另一种方法；这就是 clang 正在做的事情。 （以及 GCC 试图为 popcnt 做的事情，它出人意料地在 Sandybridge 系列上有一个架构上不需要的，不像这些愚蠢的 SSE 那样。）
顺便说一句，AVX 3 操作数指令有时确实提供了一种解决错误依赖关系的方法，使用“冷”寄存器或异或归零的寄存器作为要合并到的寄存器。包括标量 int->FP，尽管 clang 有时只使用 movd 加上打包转换。
相关：
movapd 和 pxor 归零在现代 CPU 上不会造成任何延迟，但没有什么是免费的。它们仍然需要前端 uop 和代码大小（L1i 缓存占用空间）。 movapd 后端零延迟，不需要执行单元，仅此而已 -