我对 clang 能够将小整数的许多 == 比较转换为一个大 SIMD 指令的能力很感兴趣,但后来我注意到一些奇怪的事情。 与进行 8 次比较时的代码相比,当我进行 7 次比较时,Clang 生成了“更糟糕”的代码(在我的业余评估中)。
bool f1(short x){
return (x==-1) | (x == 150) |
(x==5) | (x==64) |
(x==15) | (x==223) |
(x==42) | (x==47);
}
bool f2(short x){
return (x==-1) | (x == 150) |
(x==5) | (x==64) |
(x==15) | (x==223) |
(x==42);
}
我的问题是这是一个小的性能错误,或者 clang 有一个很好的理由不想引入虚拟比较(即假装与 7 个值之一有一个额外的比较)并在代码来实现它。
上帝 bolt 链接here :
# clang(trunk) -O2 -march=haswell
f1(short):
vmovd xmm0, edi
vpbroadcastw xmm0, xmm0 # set1(x)
vpcmpeqw xmm0, xmm0, xmmword ptr [rip + .LCPI0_0] # 16 bytes = 8 shorts
vpacksswb xmm0, xmm0, xmm0
vpmovmskb eax, xmm0
test al, al
setne al # booleanize the parallel-compare bitmask
ret
对比
f2(short):
cmp di, -1
sete r8b
cmp edi, 150
sete dl
cmp di, 5 # scalar checks of 3 conditions
vmovd xmm0, edi
vpbroadcastw xmm0, xmm0
vpcmpeqw xmm0, xmm0, xmmword ptr [rip + .LCPI1_0] # low 8 bytes = 4 shorts
sete al
vpmovsxwd xmm0, xmm0
vmovmskps esi, xmm0
test sil, sil
setne cl # SIMD check of the other 4
or al, r8b
or al, dl
or al, cl # and combine.
ret
quickbench 似乎不起作用,因为不知道如何为其提供 -mavx2 标志。 (编者注:简单地计算微指令的前端成本表明,这对于吞吐量来说显然更糟糕。而且延迟也很糟糕。)
最佳答案
看起来 clang 的优化器没有考虑复制元素以使其达到 SIMD 方便的比较次数。但你是对的,这比做额外的标量工作要好。 显然错过了优化,应该将其报告为 clang/LLVM 优化器错误。 https://bugs.llvm.org/
<小时/>f1()
的 asm显然比 f2()
更好:vpacksswb xmm
与 vpmovsxwd xmm
具有相同的成本在主流 Intel 和 AMD CPU 上,就像其他单微指令洗牌一样。如果有的话vpmovsx
-> vmovmskps
整数域和 FP 域之间可能存在旁路延迟1。
脚注 1:采用 AVX2(Sandybridge 系列)的主流 Intel CPU 上可能没有额外的旁路延迟; FP 操作之间的整数洗牌通常很好,IIRC。 (https://agner.org/optimize/)。但对于 Nehalem 上的 SSE4.1 版本,是的,可能会有整数版本没有的额外惩罚。
您不需要 AVX2,但需要在一条没有 pshufb
的指令中进行字广播。控制 vector 确实使其更加高效。并且 clang 选择 pshuflw
-> pshufd
对于 -march=nehalem
当然,这两个版本都不是最佳的。在 movemask 之前无需进行 shuffle 来压缩比较结果。
而不是 test al, al
,可以使用 test sil, 0b00001010
选择要检查的位例如,检查位 1 和 3,但忽略其他位置的非零位。
pcmpeqw
将单词元素内的两个字节设置为相同,因此可以 pmovmskb
结果并得到一个带有位对的整数。
使用字节寄存器而不是双字寄存器的好处也为零:test sil,sil
应避免 REX 前缀并使用 test esi,esi
.
因此,即使没有重复其中一个条件,f2()
可能是:
f2:
vmovd xmm0, edi
vpbroadcastw xmm0, xmm0 # set1(x)
vpcmpeqw xmm0, xmm0, xmmword ptr [rip + .LCPI0_0]
vpmovmskb eax, xmm0
test eax, 0b011111111111111 # (1<<15) - 1 = low 14 bits set
setne al
ret
那个test
将根据pmovmksb
的低14位设置ZF结果,因为高位在 TEST 掩码中被清除。 TEST = AND 不写入其输出。对于选择比较掩码的部分通常很有用。
但是由于我们首先需要在内存中使用一个 16 字节常量,所以我们应该复制其中一个元素以将其填充到 8 个元素。然后我们可以使用test eax,eax
像一个正常人一样。压缩掩码以适合 8 位 AL
完全是浪费时间和代码大小。 test r32, r32
与 test r8,r8
一样快并且不需要 SIL、DIL 或 BPL 的 REX 前缀。
有趣的事实:AVX512VL 可以让我们使用 vpbroadcastw xmm0, edi
结合 movd
并广播。
或者只比较 4 个元素,而不是对 movmskps
进行额外的改组,我们这里只需要SSE2。使用面具确实很有用。
test_4_possibilities_SSE2:
movd xmm0, edi
pshufd xmm0, xmm0, 0 # set1_epi32(x)
pcmpeqw xmm0, [const] # == set_epi32(a, b, c, d)
pmovmskb eax, xmm0
test eax, 0b0001000100010001 # the low bit of each group of 4
setne al
ret
我们进行双字广播并忽略每个 32 位元素的高 16 位中的比较结果。使用 mask test
让我们比任何额外的指令都更便宜地做到这一点。
没有 AVX2,SIMD 双字广播为 pshufd
比需要文字广播便宜。
另一个选择是 imul
与 0x00010001
将一个字广播到 32 位寄存器中,但这有 3 个周期延迟,因此可能比 punpcklwd
更糟糕-> pshufd
不过,在循环内,值得加载 pshufb
的控制 vector 。 (SSSE3)而不是使用 2 次洗牌或一次 imul。
关于c++ - Clang 对于 7 次比较生成的代码比 8 次比较生成的代码更差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58069614/