c++ - 了解较长代码执行速度提高 4 倍的微架构原因(AMD Zen 2 架构)

Question

我在 x64 模式下使用 VS 2019(版本 16.8.6)编译了以下 C++17 代码:

struct __declspec(align(16)) Vec2f { float v[2]; };
struct __declspec(align(16)) Vec4f { float v[4]; };

static constexpr std::uint64_t N = 100'000'000ull;

const Vec2f p{};
Vec4f acc{};

// Using virtual method:
for (std::uint64_t i = 0; i < N; ++i)
    acc += foo->eval(p);

// Using function pointer:
for (std::uint64_t i = 0; i < N; ++i)
    acc += eval_fn(p);

在第一个循环中，foo是 std::shared_ptr和 eval()是一个虚方法:

__declspec(noinline) virtual Vec4f eval(const Vec2f& p) const noexcept
{
    return { p.v[0], p.v[1], p.v[0], p.v[1] };
}

在第二个循环中，eval_fn是指向以下函数的指针:

__declspec(noinline) Vec4f eval_fn_impl(const Vec2f& p) noexcept
{
    return { p.v[0], p.v[1], p.v[0], p.v[1] };
}

最后，我有两个 operator+= 的实现为 Vec4f :

一个使用显式循环实现的:

Vec4f& operator+=(Vec4f& lhs, const Vec4f& rhs) noexcept
{
    for (std::uint32_t i = 0; i < 4; ++i)
        lhs.v[i] += rhs.v[i];
    return lhs;
}

还有一个用 SSE 内在实现:

Vec4f& operator+=(Vec4f& lhs, const Vec4f& rhs) noexcept
{
    _mm_store_ps(lhs.v, _mm_add_ps(_mm_load_ps(lhs.v), _mm_load_ps(rhs.v)));
    return lhs;
}

您可以在下面找到测试的完整(独立，仅限 Windows)代码。
这是两个循环的生成代码，以及在 上执行时以毫秒为单位的运行时间(对于 100M 迭代)。 AMD 线程撕裂者 3970X CPU(Zen 2 架构):

使用 operator+=(Vec4f&, const Vec4f&) 的 SSE 内在实现:

// Using virtual method: 649 ms
$LL4@main:
  mov rax, QWORD PTR [rdi]            // fetch vtable base pointer (rdi = foo)
  lea r8, QWORD PTR p$[rsp]           // r8 = &p
  lea rdx, QWORD PTR $T3[rsp]         // not sure what $T3 is (some kind of temporary, but why?)
  mov rcx, rdi                        // rcx = this
  call    QWORD PTR [rax]             // foo->eval(p)
  addps   xmm6, XMMWORD PTR [rax]
  sub rbp, 1
  jne SHORT $LL4@main

// Using function pointer: 602 ms
$LL7@main:
  lea rdx, QWORD PTR p$[rsp]          // rdx = &p
  lea rcx, QWORD PTR $T2[rsp]         // same question as above
  call    rbx                         // eval_fn(p)
  addps   xmm6, XMMWORD PTR [rax]
  sub rsi, 1
  jne SHORT $LL7@main

使用 operator+=(Vec4f&, const Vec4f&) 的显式循环实现:

// Using virtual method: 167 ms [3.5x to 4x FASTER!]
$LL4@main:
  mov rax, QWORD PTR [rdi]
  lea r8, QWORD PTR p$[rsp]
  lea rdx, QWORD PTR $T5[rsp]
  mov rcx, rdi
  call    QWORD PTR [rax]
  addss   xmm9, DWORD PTR [rax]
  addss   xmm8, DWORD PTR [rax+4]
  addss   xmm7, DWORD PTR [rax+8]
  addss   xmm6, DWORD PTR [rax+12]
  sub rbp, 1
  jne SHORT $LL4@main

// Using function pointer: 600 ms
$LL7@main:
  lea rdx, QWORD PTR p$[rsp]
  lea rcx, QWORD PTR $T4[rsp]
  call    rbx
  addps   xmm6, XMMWORD PTR [rax]
  sub rsi, 1
  jne SHORT $LL7@main

(在 AMD Zen 2 arch 上，据我所知，addss 和 addps 指令有 3 个周期的延迟，最多可以同时执行两条这样的指令。)
令我困惑的情况是使用虚拟方法和 operator+= 的显式循环实现时:
为什么它比其他三个变体快 3.5 到 4 倍？
这里有哪些相关的建筑效果在起作用？在循环的后续迭代中寄存器之间的依赖性更少？或者关于缓存的某种厄运？

完整源代码:

#include <Windows.h>
#include <cstdint>
#include <cstdio>
#include <memory>
#include <xmmintrin.h>

struct __declspec(align(16)) Vec2f
{
    float v[2];
};

struct __declspec(align(16)) Vec4f
{
    float v[4];
};

Vec4f& operator+=(Vec4f& lhs, const Vec4f& rhs) noexcept
{
#if 0
    _mm_store_ps(lhs.v, _mm_add_ps(_mm_load_ps(lhs.v), _mm_load_ps(rhs.v)));
#else
    for (std::uint32_t i = 0; i < 4; ++i)
        lhs.v[i] += rhs.v[i];
#endif
    return lhs;
}

std::uint64_t get_timer_freq()
{
    LARGE_INTEGER frequency;
    QueryPerformanceFrequency(&frequency);
    return static_cast<std::uint64_t>(frequency.QuadPart);
}

std::uint64_t read_timer()
{
    LARGE_INTEGER count;
    QueryPerformanceCounter(&count);
    return static_cast<std::uint64_t>(count.QuadPart);
}

struct Foo
{
    __declspec(noinline) virtual Vec4f eval(const Vec2f& p) const noexcept
    {
        return { p.v[0], p.v[1], p.v[0], p.v[1] };
    }
};

using SampleFn = Vec4f (*)(const Vec2f&);

__declspec(noinline) Vec4f eval_fn_impl(const Vec2f& p) noexcept
{
    return { p.v[0], p.v[1], p.v[0], p.v[1] };
}

__declspec(noinline) SampleFn make_eval_fn()
{
    return &eval_fn_impl;
}

int main()
{
    static constexpr std::uint64_t N = 100'000'000ull;

    const auto timer_freq = get_timer_freq();
    const Vec2f p{};
    Vec4f acc{};

    {
        const auto foo = std::make_shared<Foo>();
        const auto start_time = read_timer();
        for (std::uint64_t i = 0; i < N; ++i)
            acc += foo->eval(p);
        std::printf("foo->eval: %llu ms\n", 1000 * (read_timer() - start_time) / timer_freq);
    }

    {
        const auto eval_fn = make_eval_fn();
        const auto start_time = read_timer();
        for (std::uint64_t i = 0; i < N; ++i)
            acc += eval_fn(p);
        std::printf("eval_fn: %llu ms\n", 1000 * (read_timer() - start_time) / timer_freq);
    }

    return acc.v[0] + acc.v[1] + acc.v[2] + acc.v[3] > 0.0f ? 1 : 0;
}

Answer 1

我正在英特尔 Haswell 处理器上对此进行测试，但性能结果相似，我猜原因也相似，但对此持保留态度。 Haswell 和 Zen 2 之间当然存在差异，但据我所知，我所指责的效果应该适用于它们。
问题是:虚拟方法/通过指针调用的函数/无论它是什么，都会进行 4 次标量存储，但是主循环会进行相同内存的 vector 加载。 Store-to-load forwarding 可以处理存储一个值然后立即加载的各种情况，但通常不是像这样一个负载依赖于多个存储的情况(更一般地说:负载依赖于仅部分提供的存储负载尝试加载的数据)。假设它可能是可能的，但它不是当前微架构的特征。
作为实验，更改虚拟方法中的代码以使用 vector 存储。例如:

__declspec(noinline) virtual Vec4f eval(const Vec2f& p) const noexcept
{
    Vec4f r;
    auto pv = _mm_load_ps(p.v);
    _mm_store_ps(r.v, _mm_shuffle_ps(pv, pv, _MM_SHUFFLE(1, 0, 1, 0)));
    return r;
}

在我的 PC 上，它使时间与快速版本一致，这支持了问题是由多个标量存储输入 vector 负载引起的假设。
从 8 字节加载 16 字节 Vec2f不完全合法，必要时可以解决。只有 SSE(1) 有点烦人，SSE3 对于 _mm_loaddup_pd 会很好(又名 movddup)。
如果 MSVC 返回 Vec4f，这个问题就不会存在。结果通过寄存器而不是通过出指针，但我不知道如何说服它这样做，除了将返回类型更改为 __m128 . __vectorcall也有帮助，但让 MSVC 在几个寄存器中返回结构，然后在调用者中重新组合并进行额外的洗牌。它比任何一个快速选项都有些困惑和慢，但仍然比存储转发失败的版本快。