用AVX2指令集优化浮点数组求和

一、AVX2指令集介绍
二、代码实现
- 0. 数据生成
- 1. 普通数组求和
- 2. AVX2指令集求和：单精度浮点(float)
- 3. AVX2指令集求和：双精度浮点(double)
三、性能测试
- 测试环境
- 计时方式
- 测试内容
- 进行性能测试
- - 第一次测试
  - 第二次测试
四、总结
- 个人猜测原因：

一、AVX2指令集介绍

AVX2是SIMD(单指令多数据流)指令集，支持在一个指令周期内同时对256位内存进行操作。包含乘法，加法，位运算等功能。下附Intel官网使用文档。
Intel® Intrinsics Guide

我们本次要用到的指令有 __m256i _mm256_add_pd(__m256i a, __m256i b), __m256i _mm256_add_ps等，（p代表精度precision，s代表single，d代表double）

它们可以一次取256位的内存，并按32/64位一个浮点进行加法运算。下附官网描述。

Synopsis

__m256d _mm256_add_pd (__m256d a, __m256d b)

#include <immintrin.h>

Instruction: vaddpd ymm, ymm, ymm

CPUID Flags: AVX

Description

Add packed double-precision (64-bit) floating-point elements in a and b, and store the results in dst.

Operation

FOR j := 0 to 3i := j*64dst[i+63:i] := a[i+63:i] + b[i+63:i]
ENDFOR
dst[MAX:256] := 0

Performance

Architecture	Latency	Throughput (CPI)
Icelake	4	0.5
Skylake	4	0.5
Broadwell	3	1
Haswell	3	1
Ivy Bridge	3	1

二、代码实现

0. 数据生成

为了比较结果，我们生成从1到N的等差数列。这里利用模版兼容不同数据类型。由于AVX2指令集一次要操作多个数据，为了防止访存越界，我们将大小扩展到256的整数倍位比特，也就是32字节的整数倍。

uint64_t lowbit(uint64_t x)
{return x & (-x);
}uint64_t extTo2Power(uint64_t n, int i)//arraysize datasize
{while(lowbit(n) < i)n += lowbit(n);return n;
}

template <typename T>
T* getArray(uint64_t size)
{uint64_t ExSize = extTo2Power(size, 32/sizeof(T));T* arr = new T[ExSize];for (uint64_t i = 0; i < size; i++)arr[i] = i+1;for (uint64_t i = size; i < ExSize; i++)arr[i] = 0;return arr;
}

1. 普通数组求和

为了比较性能差异，我们先实现一份普通的数组求和。这里也使用模版。

template <typename T>
T simpleSum(T* arr, uint64_t size)
{T sum = 0;for (uint64_t i = 0; i < size; i++)sum += arr[i];return sum;
}

2. AVX2指令集求和：单精度浮点(float)

这里我们预开一个avx2的整形变量，每次从数组中取8个32位浮点，加到这个变量上，最后在对这8个32位浮点求和。

float avx2Sum(float* arr, uint64_t size)
{float sum[8] = {0};__m256 sum256 = _mm256_setzero_ps();__m256 load256 = _mm256_setzero_ps();for (uint64_t i = 0; i < size; i += 8){load256 = _mm256_loadu_ps(&arr[i]);sum256 = _mm256_add_ps(sum256, load256);}sum256 = _mm256_hadd_ps(sum256, sum256);sum256 = _mm256_hadd_ps(sum256, sum256);_mm256_storeu_ps(sum, sum256);sum[0] += sum[4];return sum[0];
}

这里的hadd是横向加法，具体实现类似下图，可以帮我们实现数组内求和：

3. AVX2指令集求和：双精度浮点(double)

double avx2Sum(double* arr, uint64_t size)
{double sum[4] = {0};__m256d sum256 = _mm256_setzero_pd();__m256d load256 = _mm256_setzero_pd();for (uint64_t i = 0; i < size; i += 4){load256 = _mm256_loadu_pd(&arr[i]);sum256 = _mm256_add_pd(sum256, load256);}sum256 = _mm256_hadd_pd(sum256, sum256);_mm256_storeu_pd(sum, sum256);sum[0] += sum[2];return sum[0];
}

三、性能测试

测试环境

Device	Description
CPU	Intel Core i9-9880H 8-core 2.3GHz
Memory	DDR4-2400MHz Dual-Channel 32GB
complier	Apple Clang-1300.0.29.30

计时方式

利用chrono库获取系统时钟计算运行时间，精确到毫秒级

uint64_t getTime()
{uint64_t timems = std::chrono::duration_cast<std::chrono::milliseconds>(std::chrono::system_clock::now().time_since_epoch()).count();return timems;
}

测试内容

对1到1e9求和，答案应该为500000000500000000, 分别测试float和double。

 uint64_t N = 1e9;// compare the performance of normal add and avx2 adduint64_t start, end;// test floatcout << "compare float sum: " << endl;float* arr3 = getArray<float>(N);start = getTime();float sum3 = simpleSum(arr3, N);end = getTime();cout << "float simpleSum time: " << end - start << endl;cout << "float simpleSum sum: " << sum3 << endl;start = getTime();sum3 = avx2Sum(arr3, N);end = getTime();cout << "float avx2Sum time: " << end - start << endl;cout << "float avx2Sum sum: " << sum3 << endl;delete[] arr3;cout << endl << endl;// test doublecout << "compare double sum: " << endl;double* arr4 = getArray<double>(N);start = getTime();double sum4 = simpleSum(arr4, N);end = getTime();cout << "double simpleSum time: " << end - start << endl;cout << "double simpleSum sum: " << sum4 << endl;start = getTime();sum4 = avx2Sum(arr4, N);end = getTime();cout << "double avx2Sum time: " << end - start << endl;cout << "double avx2Sum sum: " << sum4 << endl;delete[] arr4;cout << endl << endl;

进行性能测试

第一次测试

测试命令

g++ -mavx2 avx_big_integer.cpp
./a.out

测试结果

方法	耗时(ms)
AVX2加法单精度	615
普通加法单精度	2229
AVX2加法双精度	1237
普通加法双精度	2426

这里能看到单精度下已经出现了比较明显的误差，并且由于普通求和和avx2求和的加法顺序不一样，导致误差值也不一样。

第二次测试

测试命令
现在我们再开启O2编译优化试一试：

g++ -O2 -mavx2 avx_big_integer.cpp
./a.out

测试结果

方法	耗时(ms)
AVX2加法 32位	244
普通加法 32位	1012
AVX2加法 64位	476
普通加法 64位	1292

我们发现，比起上一次对整形的测试，浮点型在开启O2优化后反而是AVX2指令集加法得到了明显的提升。

四、总结

可见在进行浮点运算时，用avx2指令集做并行优化，能得到比起整形更好的效果。

个人猜测原因：

浮点型加法器比整形加法器复杂许多，流水线操作的效果不那么明显。
有可能CPU内的浮点加法器少于整形加法器，导致O2优化乱序执行时的优化效果不如整形理想。
AVX2指令集可能针对浮点运算有专门的优化，使得浮点运算性能和整形运算更为接近。

用AVX2指令集优化浮点数组求和相关推荐

[C] 跨平台使用Intrinsic函数范例1——使用SSE、AVX指令集处理单精度浮点数组求和（支持vc、gcc，兼容Windows、Linux、Mac）...
作者:zyl910. 本文面对对SSE等SIMD指令集有一定基础的读者,以单精度浮点数组求和为例演示了如何跨平台使用SSE.AVX指令集.因使用了stdint.zintrin.ccpuid这三个模块, ...
[C] 跨平台使用Intrinsic函数范例3——使用MMX、SSE2指令集处理 32位整数数组求和...
作者:zyl910. 本文面对对SSE等SIMD指令集有一定基础的读者,以32位整数数组求和为例演示了如何跨平台使用MMX.SSE2指令集.支持vc.gcc编译器,在Windows.Linux.Mac ...
ARM NEON指令集优化理论与实践
ARM NEON指令集优化理论与实践一．简介 NEON就是一种基于SIMD思想的ARM技术,相比于ARMv6或之前的架构,NEON结合了64-bit和128-bit的SIMD指令集,提供128-bi ...
python 依据某几列累加求和_关于Python数组求和的四个问题及详解，让你更加爱Python！...
总结了四个数求和的问题及详解,如果你正在学习Python的话,可以多学习一下. | 问题一:专题概述代码相关本节的内容通过第一个问题来初步了解数组求和的两种常用方法 Two Sum 给定一个整数 ...
Intel的AVX2指令集解读
原文链接:http://blog.csdn.net/vbskj/article/details/38408213 在Intel Sandy Bridge微架构中,Intel引入了256位SIMD扩展A ...
java 数组怎么求和,感动，我终于学会了Java对数组求和
前言看到题目是不是有点疑问:你确定你没搞错?!数组求和???遍历一遍累加起来不就可以了吗??? 是的,你说的都对,都听你的,但是我说的就是数组求和,并且我也确实是刚刚学会.╮(╯▽╰)╭ 继续看下去 ...
感动，我终于学会了用Java对数组求和
前言看到题目是不是有点疑问:你确定你没搞错?!数组求和???遍历一遍累加起来不就可以了吗??? 是的,你说的都对,都听你的,但是我说的就是数组求和,并且我也确实是刚刚学会.╮(╯▽╰)╭ 继续看下去 ...
neon 指令 c语言,Neon指令集优化快速入门教程
Neon指令集优化快速入门教程 Neon指令集优化快速入门教程文章目录 1. Neon是什么? 2.Neon为什么速度快 3. Neon基础概念 4. Neon的C语言接口 C语言程序中集成Neon ...
neon浮点运算_ARM NEON指令集优化理论与实践
ARM NEON指令集优化理论与实践一．简介 NEON就是一种基于SIMD思想的ARM技术,相比于ARMv6或之前的架构,NEON结合了64-bit和128-bit的SIMD指令集,提供128-bi ...
【genius_platform软件平台开发】第二十八讲：NEON指令集优化（附实例）
当在ARM芯片上进行一些例如图像处理等计算的时候,常常会因为计算量太大造成计算帧率较低的情况.因而,需要选择一种更加简单快捷的计算方式以获得处理速度上的提升.ARM NEON就是一个不错的选择. ※ ...

用AVX2指令集优化浮点数组求和

用AVX2指令集优化浮点数组求和

一、AVX2指令集介绍

Synopsis

Description

Operation

Performance

二、代码实现

0. 数据生成

1. 普通数组求和

2. AVX2指令集求和：单精度浮点(float)

3. AVX2指令集求和：双精度浮点(double)

三、性能测试

测试环境

计时方式

测试内容

进行性能测试

第一次测试

第二次测试

四、总结

个人猜测原因：

用AVX2指令集优化浮点数组求和相关推荐

最新文章

热门文章