当我正在研究快速 ADD 循环 ( Speed up x64 assembler ADD loop ) 时，我正在使用 SSE 和 AVX 指令测试内存访问。要添加，我必须读取两个输入并产生一个输出。因此，我编写了一个虚拟例程，将两个 x64 值读入寄存器并将一个值写回内存，而不执行任何操作。这当然没什么用，我只是为了基准测试才这么做的。
我使用展开的循环，每个循环处理 64 字节。它由 8 个 block 组成，如下所示:
mov rax, QWORD PTR [rdx+r11*8-64]
mov r10, QWORD PTR [r8+r11*8-64]
mov QWORD PTR [rcx+r11*8-64], rax
然后我将其升级到SSE2。现在我使用 4 个 block ，如下所示:
movdqa xmm0, XMMWORD PTR [rdx+r11*8-64]
movdqa xmm1, XMMWORD PTR [r8+r11*8-64]
movdqa XMMWORD PTR [rcx+r11*8-64], xmm0
后来我使用了 AVX(每个寄存器 256 位)。我有 2 个这样的 block :
vmovdqa ymm0, YMMWORD PTR [rdx+r11*8-64]
vmovdqa ymm1, YMMWORD PTR [r8+r11*8-64]
vmovdqa YMMWORD PTR [rcx+r11*8-64], ymm0
到目前为止，还没有那么壮观。有趣的是基准测试结果:当我在 1k+1k=1k 64 位字(即两倍 8 kb 的输入和一次 8kb 的输出)上运行三种不同的方法时，我得到了奇怪的结果。以下每个时序都是将两次 64 字节输入处理为 64 字节输出。
- x64 寄存器方法运行时间约为 15 个周期/64 字节
- SSE2 方法的运行速度约为 8.5 个周期/64 字节
- AVX 方法的运行时间约为 9 个周期/64 字节
我的问题是:为什么 AVX 方法比 SSE2 方法慢(尽管不是很多)？我预计它至少会达到同等水平。使用 YMM 寄存器会花费这么多额外时间吗？内存已对齐(否则您会得到 GPF)。
有人对此有解释吗？
最佳答案
在 Sandybridge/Ivybridge 上，256b AVX 加载和存储在加载/存储中被分解为两个 128b 操作 [正如 Peter Cordes 所说，这些不完全是微操作，但需要两个周期才能清除端口]执行单元，因此没有理由期望使用这些指令的版本会更快。
为什么速度变慢了？我想到了两种可能性:
对于基址 + 索引 + 偏移寻址，128b 加载的延迟为 6 个周期，而 256b 加载的延迟为 7 个周期(英特尔优化手册中的表 2-8)。尽管您的基准测试应该受到吞吐量的约束，而不是延迟，但较长的延迟意味着处理器需要更长的时间才能从任何问题(管道气泡或预测失误或中断服务或...)，这确实有一些影响。
在同一文档的 11.6.2 中，英特尔建议 256b 加载的缓存行和页交叉的惩罚可能比 128b 加载的更大。如果您的加载并非全部 32 字节对齐，这也可以解释您在使用 256b 加载/存储操作时所看到的速度减慢的原因:
Example 11-12 shows two implementations for SAXPY with unaligned addresses. Alternative 1 uses 32 byte loads and alternative 2 uses 16 byte loads. These code samples are executed with two source buffers, src1, src2, at 4 byte offset from 32- Byte alignment, and a destination buffer, DST, that is 32-Byte aligned. Using two 16- byte memory operations in lieu of 32-byte memory access performs faster.
关于assembly - AVX VMOVDQA 比两个 SSE MOVDQA 慢？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/13975546/