Optimization 太多的周期 我考虑从Agner Fog优化汇编的例子。他测试： 例12.6b。DAXPY算法，32位模式

他在奔腾M上估计了大约6个循环/迭代。我也尝试过，但在我的CPU-常春藤桥接器上。我每次迭代达到3个循环，但从我的纸上计算，有可能得到2个循环。我不知道我是不是在理论计算上犯了错误，还是可以改进

我所做的：

据我所知，我的CPU可以使4个微操作周期失效，所以这不是一个瓶颈

#uops fused = 8 / 4 = 2

因此，

2

是当前我们的瓶颈。让我们看看另一种可能性：

Microps有模式：1-1-1-1-1-1-1-1-1，根据Agner Fog的说法，我的CPU有模式1-1-1-1（和其他）。由此我们可以看出，在2个周期内解码指令是可能的。这不是瓶颈。此外，SnB CPU具有微缓存，因此取数和解码都不应成为瓶颈

#uops fused = 8 / 4 = 2

指令的大小（以字节为单位）是32，所以它适合微缓存窗口（32字节）

根据我的实验，当我添加

nop

指令时，它会增加每个迭代的周期数（大约0.5个周期）

因此，问题是：

---

那一个周期在哪里D

您确定不受内存带宽的限制吗？您需要使用适合一级缓存的阵列进行测试，因为每两个时钟需要两次加载和一次存储。（这是IvB理论上每个时钟最多两个128b内存操作的一半以上，其中最多一个是存储器。）

---

解码不相关，因为循环适合循环缓冲区。（低于28个计量单位）。因此，它只是以4个已经解码的UOP为一组发布

---

您的融合域uop计数错误<代码>cmp/jl可以将宏融合到一个比较和分支uop中。然而，这一错误被另一个错误所抵消，因为阿格纳·福格的指南中还没有这一错误

movapd[edi+eax]，xmm0不能在IvB上进行微融合，因此它是2个融合域UOP

我最近在英特尔的优化手册中找到了官方确认，该手册解释了Agner的测试与我的测试的不同结果：这种寻址模式可以在解码器和uop缓存中微融合，但在OOO内核中不能。（见我对这个问题的回答。我应该再给阿格纳发一条信息，让他知道英特尔的文件解决了我们的困惑…）

试试这个：

    add    ecx, edi          ; end-of-Y pointer
    sub    esi, edi          ; esi = X-Y
L1:
    movapd xmm1, [esi+edi]   ; 1 uop
    mulpd  xmm1, xmm2        ; 1 uop
    movapd xmm0, [edi]       ; 1 uop
    subpd  xmm0, xmm1        ; 1 uop
    movapd [edi], xmm0       ; 1 micro-fused uop
    add edi, 16              ; 1 uop
    cmp edi, ecx             ; loop while (dst < end_Y)
    jb L1                    ; cmp+jb = 1 macro-fused uop

添加ecx、edi；Y端指针
电子数据交换小组；esi=X-Y
L1:
movapd xmm1，[esi+edi]；1 uop
mulpd xmm1，xmm2；1 uop
movapd xmm0[edi]；1 uop
子分区xmm0，xmm1；1 uop
movapd[edi]，xmm0；1微熔合uop
增加电子数据交换，16；1 uop
cmp-edi，ecx；循环时（dst<结束时）
jbl1；cmp+jb=1宏观熔断uop

负载不需要微熔合，但存储为2个熔合域UOP。（存储地址和存储数据）

我会告诉你这家店只有2个uops，不能进行微熔断。值得一看。有时它的数字是错误的（例如，它认为shrd在SnB上仍然很慢），但通常只要你意识到它是对真实硬件行为的简单近似，而不是一个周期精确的模拟器，它就很有用


我的版本是7总融合域UOP。因此，它应该在SnB系列CPU上每2个时钟运行一次迭代。您的原始版本是8 uops，因此此更改不会产生任何影响。在注意到您并没有考虑cmp/jcc的宏融合之前，我写了它，所以我认为您的循环实际上是9个UOP。由于添加一个
nop
会降低代码的速度，这进一步证明它是8个融合域UOP。如果使用太大的阵列进行测试时缓存未命中不能解释这一点，那么可能IvB在调度加载/存储UOP方面做得不好？似乎不太可能，因为它们都必须使用端口2或3作为存储地址或加载UOP。（在未使用的域中，存储数据UOP转到端口4）

你确定你的循环每3个周期就有一次迭代吗？添加一个
nop
可能会使其速度减慢，因为9 uop循环应该在3个周期内发出。
1。谢谢！：）2.你显然是对的。我在2048和4096个数组元素上测试了我的代码（因此它适合于L1），事实上，我每次迭代大约需要2个周期。3.“如果使用太大的数组测试时缓存未命中，这并不能解释，”他们确实解释了这一点——当我制作更大的数组时，每次迭代都会增加一些周期。4.我仍然有一个问题，UOP融合到底意味着什么。我知道它的字面意思是什么-一些UOP被加入。但是如何做到呢？阿格纳·福格的《微阵列指南》和英特尔的《优化手册》应该对uop的微观和宏观融合有一个像样的解释。在Agner Fog的Microach pdf中，他在为第一个实现它的CPU描述fusion时详细介绍了它：奔腾M。参见第90/91页：“Section 7.6 Micro op fusion”大约有2页长。我并不是试图在每一个答案中对每一件事都进行完整的解释，这将花费很长时间。这就是为什么我刚刚链接到另一个关于SnB系列CPU上索引寻址模式微融合的答案。当然你需要阅读链接。谢谢。我没有要求你解释一切。链接，其他参考都可以。