performance - intel -03会将成对的__m256d指令转换为__m512d

Question

使用具有 O3 优化级别的 (2019) 英特尔编译器，为 256 个向量化寄存器编写的代码是否会被编译为使用 512 个指令？

例如对两个 __m256d 对象的操作是否会转换为对屏蔽 __m512d 对象的相同数量的操作，或者进行分组以充分利用寄存器，在最好的情况下，操作总数会下降 2 倍？

拱门:骑士登陆

Answer 1

不幸的是，否:为使用 AVX/AVX-2 内在函数而编写的代码未被 ICC 重写，因此尚未使用 AVX-512(ICC 2019 和 ICC 2021)。没有指令熔断。这是一个示例(请参阅 GodBolt )。

#include <x86intrin.h>

void compute(double* restrict data, int size)
{
    __m256d cst1 = _mm256_set1_pd(23.42);
    __m256d cst2 = _mm256_set1_pd(815.0);
    __m256d v1 = _mm256_load_pd(data);
    __m256d v2 = _mm256_load_pd(data+4);
    __m256d v3 = _mm256_load_pd(data+8);
    __m256d v4 = _mm256_load_pd(data+12);
    v1 = _mm256_fmadd_pd(v1, cst1, cst2);
    v2 = _mm256_fmadd_pd(v2, cst1, cst2);
    v3 = _mm256_fmadd_pd(v3, cst1, cst2);
    v4 = _mm256_fmadd_pd(v4, cst1, cst2);
    _mm256_store_pd(data, v1);
    _mm256_store_pd(data+4, v2);
    _mm256_store_pd(data+8, v3);
    _mm256_store_pd(data+12, v4);
}

生成的代码:

compute:
        vmovupd   ymm0, YMMWORD PTR .L_2il0floatpacket.0[rip]   #5.20
        vmovupd   ymm1, YMMWORD PTR .L_2il0floatpacket.1[rip]   #6.20
        vmovupd   ymm2, YMMWORD PTR [rdi]                       #7.33
        vmovupd   ymm3, YMMWORD PTR [32+rdi]                    #8.33
        vmovupd   ymm4, YMMWORD PTR [64+rdi]                    #9.33
        vmovupd   ymm5, YMMWORD PTR [96+rdi]                    #10.33
        vfmadd213pd ymm2, ymm0, ymm1                            #11.10
        vfmadd213pd ymm3, ymm0, ymm1                            #12.10
        vfmadd213pd ymm4, ymm0, ymm1                            #13.10
        vfmadd213pd ymm5, ymm0, ymm1                            #14.10
        vmovupd   YMMWORD PTR [rdi], ymm2                       #15.21
        vmovupd   YMMWORD PTR [32+rdi], ymm3                    #16.21
        vmovupd   YMMWORD PTR [64+rdi], ymm4                    #17.21
        vmovupd   YMMWORD PTR [96+rdi], ymm5                    #18.21
        vzeroupper                                              #19.1
        ret                                                     #19.1

为两个版本的 ICC 生成相同的代码。

请注意，使用 AVX-512 并不总是能将代码速度提高两倍。例如，在 Skylake SP(服务器端处理器)上，有 2 个 AVX/AVX-2 SIMD 单元可以融合来执行 AVX-512 指令，但融合不会提高吞吐量(假设 SIMD 单元是瓶颈)。不过，Skylake SP 还支持可选额外的 512 位 SIMD 单元，该单元不支持 AVX/AVX-2(仅在某些处理器上可用)。在这种情况下，AVX-512 可以使您的代码速度提高一倍。