如何使用GCC实现更好的矢量化？

考虑执行相同计算的这三个函数：

#include <x86intrin.h>

void testfunc_loop(double a, double b, double* dst)
{
    double f[] = {a,b,-a,-b};

    for(int n = 0; n < 4; ++n)
    {
        dst[n] = 0.1 + f[n]*(1.0 + 0.5*f[n]);
    }
}

void testfunc_flat(double a, double b, double* dst)
{
    dst[0] = 0.1 + ( a)*(1.0 + 0.5*( a));
    dst[1] = 0.1 + ( b)*(1.0 + 0.5*( b));
    dst[2] = 0.1 + (-a)*(1.0 + 0.5*(-a));
    dst[3] = 0.1 + (-b)*(1.0 + 0.5*(-b));
}

void testfunc_avx(double a, double b, double* dst)
{
    __m256d one      = _mm256_set1_pd(1.0);
    __m256d half     = _mm256_set1_pd(0.5);
    __m256d tenth    = _mm256_set1_pd(0.1);

    __m256d v = _mm256_set_pd(-b,-a,b,a);

    __m256d q = _mm256_add_pd(tenth,_mm256_mul_pd(v,_mm256_add_pd(one,_mm256_mul_pd(half,v))));

    _mm256_store_pd(dst,q);
}

#包括
void testfunc_循环（双a、双b、双*dst）
{
双f[]={a，b，-a，-b}；
对于（int n=0；n<4；++n）
{
dst[n]=0.1+f[n]*（1.0+0.5*f[n]）；
}
}
void testfunc_平坦（双a、双b、双*dst）
{
dst[0]=0.1+（a）*（1.0+0.5*（a））；
dst[1]=0.1+（b）*（1.0+0.5*（b））；
dst[2]=0.1+（-a）*（1.0+0.5*（-a））；
dst[3]=0.1+（-b）*（1.0+0.5*（-b））；
}
void testfunc_avx（双a、双b、双*dst）
{
__m256d一个=mm256设置1个pd（1.0）；
__m256d一半=_mm256_set1_pd（0.5）；
__m256d第十位=_mm256_set1_pd（0.1）；
__m256d v=_mm256_set_pd（-b，-a，b，a）；
__m256d q=_mm256_add_pd（第十个，第五个，第二个，第五个，第五个）；
_mm256_存储_pd（dst，q）；
}

GCC4.7.2（使用-O3-mavx）对循环版本进行矢量化，但对展开的循环使用标量操作。三个版本的（标准化）时间分别为3.3（循环，自动矢量化），1.2（展开，标量），1（手动avx）。展开版本和手动矢量化函数之间的性能差异很小，但我想强制进行矢量化，因为它在完整代码中是有益的

---

使用不同的编译器进行测试（请参阅）表明，clang会自动对展开的循环进行矢量化（从3.4.1版开始），但直到7版的GCC不会。我可以用GCC自动获得类似的矢量化吗？我只找到了与循环矢量化相关的优化选项，这些选项没有帮助。自2011年以来没有新闻出现。

gcc通常不会对单个向量进行向量化。我在现有的代码库（）中看到了类似的缺乏自动矢量化的

点{double x，y；}

类

因此，如果需要将x86内联到快速代码中，可能必须手动对其进行矢量化。（您也可以考虑绕过SyM256D< <代码>值，而不是存储到数组。）

顺便说一句，手动矢量化版本可能更快。我在Godbolt上玩过它，注意到

\u mm256\u set\u pd（-b，-a，b，a）

正在编译为愚蠢的代码，因此手动执行会更有效。此外，如果没有可用的FMA，可以通过重新分解表达式来减少延迟。（允许0.1-/+a与平方平行发生）

---

IDK为什么测试时自动矢量化循环如此缓慢。它在数组中进行标量存储，然后进行向量加载，导致~11个周期的存储转发暂停。因此，它比其他两种方法都有更高的延迟，但IDK可能会影响吞吐量。IDK你是如何测试的；也许你是在用一次通话的结果作为下一次通话的输入？或者，在相同的堆栈空间块上重复出现存储转发暂停是一个问题

---

一般来说，对于较大的数组，gcc非常喜欢对齐指针。它生成巨大的完全展开的标量intro/outro代码以到达对齐的指针，然后使用对齐的存储/加载

这对现代CPU没有多大帮助（但通常也不会造成太大伤害），尤其是对于通常在运行时对齐的数据，但如果数据通常未对齐，或者在Nehalem之前的CPU上运行，则这可能是好的

IDK如果这与gcc不愿意自动矢量化小事情有关，但告诉它，

double*

已对齐似乎没有帮助

---

我认为问题的一部分在于，它不擅长插入洗牌来对需要洗牌的代码进行矢量化。

感谢您提供了全面的答案。我在一个循环中测试函数，使用相同的参数重复调用，并对结果求和。看来我必须坚持手动矢量化。请注意，在gcc的bugzilla中为遗漏的优化提交问题是一件明智的事情。AVX矢量化失败，因为带/不带否定的表达式与gcc看起来太不一样。另一方面，它几乎实现了SSE向量化，但拒绝了它，因为它没有盈利（使用-fvect cost model=unlimited来查看它将产生什么），因为它严重高估了开场白成本（它构建向量{a，b}至少3次，{1,1}两次，等等）。对于llvm获得的testfunc_平面的SSE矢量化，但不是gcc。

// 0.1 + a  + 0.5*a*a   =  0.1 +   a  * (1.0 + 0.5*a)
//     + b
// 0.1 - a  + 0.5*a*a   =  0.1 + (-a) * (1.0 - 0.5*a)
//     - b

// only one of the mul+add pairs can fuse into an FMA
// but 0.1+/-a happens in parallel with 0.5*a*a, so it's lower latency without FMA
void testfunc_latency_without_fma(double a, double b, double* dst)
{
  // 6 AVX instructions other than the store:
  // 2 shuffles, 1 mul, 1 FMA, 1 add.  1 xor.  In theory could run one iteration per 2 clocks
    __m256d abab       = _mm256_setr_pd(a, b, a, b);    // 1c + 3c latency (unpck + vinsertf128)
    __m256d sq256      = _mm256_mul_pd(abab, abab);     // 5c
    const __m256d half = _mm256_set1_pd(0.5);
    __m256d sq_half256 = _mm256_mul_pd(sq256, half);    // 5c: dependency chain 1 ready in 14c from a and b being ready

    // we could use a smaller constant if we do _mm256_setr_m128d(ab, xor(ab, set1(-0.))
    // but that takes an extra vinsertf128 and this part isn't the critical path.
    const __m256d upper_signmask = _mm256_setr_pd(0. ,0. ,-0. ,-0.);
    __m256d ab_negab = _mm256_xor_pd(abab, upper_signmask); // chain2: 1c from abab

    const __m256d tenth   = _mm256_set1_pd(0.1);
    __m256d tenth_plusminus_ab = _mm256_add_pd(tenth, ab_negab); // chain2: 3c (ready way ahead of squared result)

    __m256d result = _mm256_add_pd(tenth_plusminus_ab, sq_half256);  // fuses with the sq_half
    _mm256_store_pd(dst, result);
}