Gcc 在标量矩阵加法中使用VADD而不是ADDS有什么好处？

我已经实现了标量矩阵加法内核

#include <stdio.h>
#include <time.h>
//#include <x86intrin.h>

//loops and iterations:
#define N 128
#define M N
#define NUM_LOOP 1000000


float   __attribute__(( aligned(32))) A[N][M],
        __attribute__(( aligned(32))) B[N][M],
        __attribute__(( aligned(32))) C[N][M];

int main()
{
int w=0, i, j;
struct timespec tStart, tEnd;//used to record the processiing time
double tTotal , tBest=10000;//minimum of toltal time will asign to the best time
do{
    clock_gettime(CLOCK_MONOTONIC,&tStart);

    for( i=0;i<N;i++){
        for(j=0;j<M;j++){
            C[i][j]= A[i][j] + B[i][j];
        }
    }

    clock_gettime(CLOCK_MONOTONIC,&tEnd);
    tTotal = (tEnd.tv_sec - tStart.tv_sec);
    tTotal += (tEnd.tv_nsec - tStart.tv_nsec) / 1000000000.0;
    if(tTotal<tBest)
        tBest=tTotal;
    } while(w++ < NUM_LOOP);

printf(" The best time: %lf sec in %d repetition for %dX%d matrix\n",tBest,w, N, M);
return 0;
}

gcc-O2-mavx

：128X128矩阵的最佳时间：1000001次重复中的0.000009秒

movss   xmm1, DWORD PTR A[rcx+rax]
addss   xmm1, DWORD PTR B[rcx+rax]
movss   DWORD PTR C[rcx+rax], xmm1

vmovss  xmm1, DWORD PTR A[rcx+rax]
vaddss  xmm1, xmm1, DWORD PTR B[rcx+rax]
vmovss  DWORD PTR C[rcx+rax], xmm1

AVX版本

gcc-O2-mavx

：

__m256 vec256;
for(i=0;i<N;i++){   
    for(j=0;j<M;j+=8){
        vec256 = _mm256_add_ps( _mm256_load_ps(&A[i+1][j]) ,  _mm256_load_ps(&B[i+1][j]));
        _mm256_store_ps(&C[i+1][j], vec256);
            }
        }

在标量程序中，

-mavx

对

msse4.2

的加速比为2.7x。我知道

avx

有效地改进了ISA，这可能是因为这些改进。但是当我在intrinsics中为

AVX

和

SSE

实现程序时，加速比是3倍。问题是：当我对AVX标量进行矢量化时，它比SSE快2.7倍，速度是3倍（这个问题的矩阵大小是128x128）。在标量模式下使用AVX和SSE时有意义吗？速度提升2.7倍。但矢量化方法必须更好，因为我在AVX中处理八个元素，而在SSE中处理四个元素。当

perf stat

报告时，所有程序的缓存未命中率都低于4.5%

使用

gcc-O2

，

linux-mint

，

skylake

---

更新：简而言之，标量AVX比标量SSE快2.7倍，但矢量化时，AVX-256只比SSE-128快3倍。我想这可能是因为管道。在scalar中，我有3个向量ALU，在向量化模式下可能不可用。我可能会把苹果和桔子比较，而不是把苹果和苹果比较，这可能是我无法理解的原因

您观察到的问题已得到解释。在Skylake系统上，如果AVX寄存器的上半部分脏了，则AVX寄存器的上半部分对非vex编码的SSE操作存在虚假依赖关系。在您的情况下，您的glibc 2.23版本中似乎有一个bug。在我使用Ubuntu 16.10和glibc 2.24的Skylake系统上，我没有这个问题。你可以用

__asm__ __volatile__ ( "vzeroupper" : : : ); 

清洁AVX寄存器的上半部分。我不认为您可以使用诸如

\u mm256\u zeropper

之类的内在代码来解决这个问题，因为GCC会说它是SSE代码，而不会识别内在代码。选项

-mvzeropper

也不起作用，因为GCC one再次认为它是SSE代码，并且不会发出

vzeropper

指令

顺便说一句

---

更新：

。在

printf

和

clock\u gettime

之后观察到

---

如果您的目标是将128位操作与256位操作进行比较，可以考虑使用<代码> -MPLAY-AVX128- MAVX（这在AMD上特别有用）。但是，您将比较AVX256与AVX128，而不是AVX256与SSE。AVX128和SSE都使用128位操作，但它们的实现方式不同。如果你做基准测试，你应该提到你使用了哪一个。

回答标题问题（我不能完全解析正文的最后一部分）：。当使用AVX瞄准系统时，@MargaretBloom，没有

gcc-O2

I添加到问题中。目标确定是可以的，但我正在比较纯AVX和SSE，而不是AVX-256和AVX-128。@MargaretBloom，矢量化是通过

-ftree loop vectorize启用的，它是通过
-O3
启用的，而不是
-O2
启用的。这甚至可以通过
-O1-ftree循环向量化
@MargaretBloom进行向量化，我同意我不明白这一点。老年退休金计划的声明令人困惑，更新似乎自相矛盾。在这种情况下，我不认为标量SSE或AVX代码会产生显著差异。到目前为止，我无法用GCC 6.2、Ubuntu 16.10和Skylake复制OPs结果。我想可能是运算。很抱歉，贝拉博，但我刚刚意识到一个解决方案是只使用AVX编译，而不担心非vex编码。你不能在你的系统上测试SSE-only代码，因为你没有一个只有SSE的系统。如果要比较128位和256位操作，可以尝试使用
-mprefere-avx128
。使用
\uuuuasm\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu是指它会在没有AVX的系统上崩溃。这就是为什么除了asm，GCC不允许您这样做的原因。如果您使用该指令，您还可以使用
-mavx
进行编译。根据ABI，使用AVX的每个函数在完成时都应该执行
vzeropper
。好像这个bug在别的地方。@fuz，你看过我指的第一个链接了吗？清除AVX寄存器的上部时，问题消失。我无法在我的系统上重现该问题，因此无法对其进行测试。OP表示，这个问题并没有通过
\uuuasm\uuuuuuuuuuuuuuuuuuuuuuuuuuvolatile\uuuuuuuuuuuuvzeropper:：）
就在
main
之后，这正是我所期望的，但当它在
clock\u gettime
之后使用时，它就消失了。在我的回答中，我没有提到这一点，因为我唯一可以肯定的是，问题是上半部很脏。我们能就此达成一致吗？阅读你链接的帖子的最后几行，它说的基本上和我说的一样：一定有人使用了AVX指令，但之后没有执行
vzeropper
。@fuz，在该链接中，bug出现在
\u dl\u runtime\u resolve\u AVX（），/lib64/ld-linux-x86-64中。所以。2
__asm__ __volatile__ ( "vzeroupper" : : : );