这个问题在我的问题上继续(根据Mystical的建议):
继续我的问题,当我使用打包指令而不是标量指令时,使用内在函数的代码将非常相似:
for(int i=0; i<size; i+=16) {
y1 = _mm_load_ps(output[i]);
…
y4 = _mm_load_ps(output[i+12]);
for(k=0; k<ksize; k++){
for(l=0; l<ksize; l++){
w = _mm_set_ps1(weight[i+k+l]);
x1 = _mm_load_ps(input[i+k+l]);
y1 = _mm_add_ps(y1,_mm_mul_ps(w,x1));
…
x4 = _mm_load_ps(input[i+k+l+12]);
y4 = _mm_add_ps(y4,_mm_mul_ps(w,x4));
}
}
_mm_store_ps(&output[i],y1);
…
_mm_store_ps(&output[i+12],y4);
}
尽管我希望它是标量版本性能的4倍,即每个周期4.1,6 = 6,4 FP ops,但该内核的测量性能约为每个周期5.6个FP操作。
考虑到权重因子的移动(感谢指出),时间表如下:
看起来时间表没有改变,尽管在操作之后还有一条额外的指令movss
将标量权重值移动到XMM寄存器,然后用于shufps
将该标量值复制到整个向量中。mulps
考虑到从负载到浮点域的切换延迟,权重向量似乎已准备就绪,可以及时使用,因此不会引起任何额外的延迟。
此内核中使用的movaps
(对齐,打包移动)addps
和mulps
指令(与汇编代码一起检查)与标量版本具有相同的延迟和吞吐量,因此也不应该导致任何额外的延迟。
有人知道这个内核可以获得的最大性能是每个周期6.4 FP ops,并且每个周期以5.6 FP ops运行吗?
顺便说一下,这是实际的装配图:
…
Block x:
movapsx (%rax,%rcx,4), %xmm0
movapsx 0x10(%rax,%rcx,4), %xmm1
movapsx 0x20(%rax,%rcx,4), %xmm2
movapsx 0x30(%rax,%rcx,4), %xmm3
movssl (%rdx,%rcx,4), %xmm4
inc %rcx
shufps $0x0, %xmm4, %xmm4 {fill weight vector}
cmp $0x32, %rcx
mulps %xmm4, %xmm0
mulps %xmm4, %xmm1
mulps %xmm4, %xmm2
mulps %xmm3, %xmm4
addps %xmm0, %xmm5
addps %xmm1, %xmm6
addps %xmm2, %xmm7
addps %xmm4, %xmm8
jl 0x401ad6 <Block x>
…
shufps
指令每1.6次迭代增加1个周期?” 那是一个艰难的过程……