我想了解在以下 C 中的最小示例中使用流式 Simd 扩展 (SSE) 进行整数之间的按位运算的潜在 yield 。
假设一个
- 在两个 64 位无符号长整数
a和b(1) 之间进行按位运算，例如a ^ b - 使用 SSE 在两个 128 位整数
A和B之间进行相同的按位运算。
我想知道执行 (1) 是否与 (2) 花费相同的时间。
例如，可以尝试计时实验，测量进行 N >> 1 次按位运算 (1) 的时间和进行相同数量的运算 (2) 的时间。
这些时间大致相同吗？如果不是，它们在特定机器上的比率是多少？对于 256 或更大的 SSE 扩展，同样的问题怎么样？
最佳答案
您是在谈论作为已编译 C 函数的一部分吗？编译器可以使用 AVX2 vpxor 或 AVX1 vxorps 轻松自动向量化数组循环，因此 ^ 运算符如何编译取决于周围的上下文。
显然，您必须在启用优化的情况下进行编译才能使任何基准测试有意义。
就硬件在 asm 级别可以做什么而言，编译器生成的或手写的并不重要；使用内在函数是让编译器发出 SIMD 指令的便捷方式。
我们以 Intel Haswell 为例。没有内存瓶颈，只需对寄存器中的局部变量进行操作，使用 AVX2，您可以获得每个时钟 3x vpxor ymm(加上一个其他非 SIMD uop)，因此这是 3x 256 位 XOR。 (128 位 SSE2 pxor xmm 在 Intel CPU 上具有与 256 位 AVX2 vpxor 相同的吞吐量，因此更宽的 vector 是吞吐量的绝对胜利)。
或者使用纯标量代码，如果您没有其他指令，您可以在 Haswell 上每个时钟执行 4x 标量 8/16/32/64 位 xor。
vpxor 和xor 都是单微指令，延迟为 1 个周期。
在 AMD Bulldozer 系列及更早版本上，pxor/vpxor 有 2 个周期延迟，但每个时钟吞吐量为 2 个，因此延迟瓶颈与 a 之间的性能差异吞吐量瓶颈是 4 倍。
如此小规模的 CPU 性能不是一维的。超标量流水线无序 CPU 使您提出的“是否需要更长的时间”这个问题过于简单化。在 What considerations go into predicting latency for operations on modern superscalar processors and how can I calculate them by hand? 上查看我的回答，特别是 “要分析短 block 的三个主要维度” 部分。
参见 https://agner.org/optimize/和 x86 tag wiki 中的其他性能链接.
关于c - 使用 Streaming Simd Extensions (SSE) 的按位运算，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/52708758/