我需要做什么才能使GCC 4.9认识到使用AVX FMA的机会

Question

我已经std::vector<double> X,Y大小N(带N%16==0(，我想计算sum(X[i]*Y[i])。这是融合乘法和加法(FMA(的经典用例，在支持AVX的处理器上应该很快。我知道我所有的目标CPU都是Intel，Haswell或更新的。

如何让 GCC 发出该 AVX 代码？ -mfma是解决方案的一部分，但我是否需要其他交换机？

std::vector<double>::operator[]阻碍了这一点吗？我知道我可以改变

size_t N = X.size();
double sum = 0.0;
for (size_t i = 0; i != N; ++i) sum += X[i] * Y[i];

自

size_t N = X.size();
double sum = 0.0;
double const* Xp = &X[0];
double const* Yp = &X[0];
for (size_t i = 0; i != N; ++i) sum += Xp[i] * Yp[i];

因此，编译器可以发现&X[0]在循环中没有更改。但这是否足够，甚至有必要？

目前的编译器是GCC 4.9.2，Debian 8，但如有必要，可以升级到GCC 5。

Answer 1

你看过大会吗？我把

double foo(std::vector<double> &X, std::vector<double> &Y) {
    size_t N = X.size();
    double sum = 0.0;
    for (size_t i = 0; i <N; ++i) sum += X[i] * Y[i];
    return sum;
}

进入 http://gcc.godbolt.org/并-O3 -mfma查看了 GCC 4.9.2 中的程序集，我看到了

.L3:
        vmovsd  (%rcx,%rax,8), %xmm1
        vfmadd231sd     (%rsi,%rax,8), %xmm1, %xmm0
        addq    $1, %rax
        cmpq    %rdx, %rax
        jne     .L3

所以它使用 fma。但是，它不会矢量化循环(sd中的s表示单(即未打包(，d表示双浮点(。

要矢量化循环，您需要启用关联数学，例如与 -Ofast . 使用-Ofast -mavx2 -mfma可以给出

.L8:
        vmovupd (%rax,%rsi), %xmm2
        addq    $1, %r10
        vinsertf128     $0x1, 16(%rax,%rsi), %ymm2, %ymm2
        vfmadd231pd     (%r12,%rsi), %ymm2, %ymm1
        addq    $32, %rsi
        cmpq    %r10, %rdi
        ja      .L8

所以现在它是矢量化的(pd意味着打包的双精度(。但是，它并没有展开。这目前是海湾合作委员会的限制。由于依赖链，您需要多次展开。如果你想让编译器为你做这件事，那么考虑使用Clang，它可以展开四次，否则用内部函数手动展开。

请注意，与 GCC 不同，Clang 默认不使用 fma 和 -mfma 。 为了将 fma 与 Clang 一起使用，请使用-ffp-contract=fast(例如 -O3 -mfma -ffp-contract=fast ( 或#pragma STDC FP_CONTRACT ON或启用关联数学，例如 -Ofast 如果你想用 Clang 对循环进行矢量化，无论如何你都会想要启用关联数学。

有关使用不同编译器启用 fma 的详细信息，请参阅融合乘法加法和默认舍入模式和 https://stackoverflow.com/a/34461738/2542702。

---

GCC 创建了许多额外的代码来处理错位，并且N不是 8 的倍数。您可以告诉编译器假设数组使用 __builtin_assume_aligned 对齐，并且 N 是 8 的倍数，使用 N & -8

以下代码包含-Ofast -mavx2 -mfma

double foo2(double * __restrict X, double * __restrict Y, int N) {
    X = (double*)__builtin_assume_aligned(X,32);
    Y = (double*)__builtin_assume_aligned(Y,32);
    double sum = 0.0;
    for (int i = 0; i < (N &-8); ++i) sum += X[i] * Y[i];
    return sum;
}

产生以下简单组件

        andl    $-8, %edx
        jle     .L4
        subl    $4, %edx
        vxorpd  %xmm0, %xmm0, %xmm0
        shrl    $2, %edx
        xorl    %ecx, %ecx
        leal    1(%rdx), %eax
        xorl    %edx, %edx
.L3:
        vmovapd (%rsi,%rdx), %ymm2
        addl    $1, %ecx
        vfmadd231pd     (%rdi,%rdx), %ymm2, %ymm0
        addq    $32, %rdx
        cmpl    %eax, %ecx
        jb      .L3
        vhaddpd %ymm0, %ymm0, %ymm0
        vperm2f128      $1, %ymm0, %ymm0, %ymm1
        vaddpd  %ymm1, %ymm0, %ymm0
        vzeroupper
        ret
.L4:
        vxorpd  %xmm0, %xmm0, %xmm0
        ret

Answer 2

我不确定这会让你一路走到那里，但我几乎可以肯定这是解决方案的很大一部分。

您必须将循环分成两个：0 到 N，步骤为 M>1。我会尝试使用 16、8、4 的 M，然后查看 asm。还有一个从0到M的内部循环，不用担心数学迭代器数学。GCC足够聪明。

GCC 应该展开内部循环，他们可以 SIMD 它，也许使用 FMA。