performance - 为什么 SSE 标量 sqrt(x) 比 rsqrt(x) * x 慢？

Question

我一直在英特尔酷睿双核上分析我们的一些核心数学，在研究各种求平方根的方法时，我注意到一些奇怪的事情:使用 SSE 标量运算，取倒数平方根的速度更快并将其相乘以获得 sqrt，而不是使用 native sqrt 操作码!

我正在使用类似的循环来测试它:

inline float TestSqrtFunction( float in );

void TestFunc()
{
  #define ARRAYSIZE 4096
  #define NUMITERS 16386
  float flIn[ ARRAYSIZE ]; // filled with random numbers ( 0 .. 2^22 )
  float flOut [ ARRAYSIZE ]; // filled with 0 to force fetch into L1 cache

  cyclecounter.Start();
  for ( int i = 0 ; i < NUMITERS ; ++i )
    for ( int j = 0 ; j < ARRAYSIZE ; ++j )
    {
       flOut[j] = TestSqrtFunction( flIn[j] );
       // unrolling this loop makes no difference -- I tested it.
    }
  cyclecounter.Stop();
  printf( "%d loops over %d floats took %.3f milliseconds",
          NUMITERS, ARRAYSIZE, cyclecounter.Milliseconds() );
}

我已经用 TestSqrtFunction 的几个不同的主体进行了尝试，并且我得到了一些确实令人摸不着头脑的计时。到目前为止，最糟糕的是使用 native sqrt() 函数并让“智能”编译器“优化”。在 24ns/float 时，使用 x87 FPU，这非常糟糕:

inline float TestSqrtFunction( float in )
{  return sqrt(in); }

我尝试的下一件事是使用内部函数强制编译器使用 SSE 的标量 sqrt 操作码:

inline void SSESqrt( float * restrict pOut, float * restrict pIn )
{
   _mm_store_ss( pOut, _mm_sqrt_ss( _mm_load_ss( pIn ) ) );
   // compiles to movss, sqrtss, movss
}

这更好，为 11.9ns/float。我也尝试过Carmack's wacky Newton-Raphson approximation technique ，它的运行速度甚至比硬件还要好，为 4.3ns/float，尽管误差为 2¹⁰ 中的 1(这对于我的目的来说太多了)。

最糟糕的是，我尝试使用 SSE 运算计算倒数平方根，然后使用乘法来获得平方根 ( x * 1/√x = √x )。尽管这需要两个相关操作，但它是迄今为止最快的解决方案，为 1.24ns/float，精确到 2^-14:

inline void SSESqrt_Recip_Times_X( float * restrict pOut, float * restrict pIn )
{
   __m128 in = _mm_load_ss( pIn );
   _mm_store_ss( pOut, _mm_mul_ss( in, _mm_rsqrt_ss( in ) ) );
   // compiles to movss, movaps, rsqrtss, mulss, movss
}

我的问题基本上是给出了什么？ 为什么 SSE 的内置硬件平方根操作码比其他两个数学运算合成的要慢？

我确信这确实是操作本身的成本，因为我已经验证过:

• 所有数据都适合缓存，并且 访问是顺序的
• 函数是内联的
• 展开循环没有什么区别
• 编译器标志设置为完全优化(并且程序集很好，我检查过)

(编辑:stephentyrone正确地指出，对长数字字符串的操作应该使用向量化SIMD打包操作，例如rsqrtps - 但这里的数组数据结构是为了仅用于测试目的:我真正想要测量的是在无法矢量化的代码中使用的标量性能。)

Answer 1

sqrtss 给出正确舍入的结果。 rsqrtss 给出倒数的近似值，精确到大约 11 位。

当需要准确性时，

sqrtss 正在生成更加准确的结果。 rsqrtss 存在于近似值足够但需要速度的情况。如果您阅读英特尔的文档，您还会发现一个指令序列(倒数平方根近似，后跟一个牛顿-拉夫森步骤)，它提供了几乎完整的精度(如果我没记错的话，精度约为 23 位)，并且仍然有点比 sqrtss 更快。​​

编辑:如果速度至关重要，并且您确实在循环中调用许多值，则应该使用这些指令的矢量化版本，rsqrtps或 sqrtps，两者每条指令都处理四个 float 。