Инструкции по тестированию SSE - PullRequest
Новая
       32

Инструкции по тестированию SSE

2 голосов
/ 14 ноября 2009

Я сравниваю некоторый код SSE (умножение 4-х чисел на 4-х) с традиционным кодом C, делающим то же самое. Я думаю, что мой эталонный код должен быть в некотором роде неправильным, потому что кажется, что он говорит, что не-SSE-код быстрее чем SSE в 2-3 раза.

Может кто-нибудь сказать мне, что не так с кодом ниже? И, возможно, предложить другой подход, который точно показывает скорости для кода SSE и не-SSE. 

#include <time.h>
#include <string.h>
#include <stdio.h>

#define ITERATIONS 100000

#define MULT_FLOAT4(X, Y) ({ \
asm volatile ( \
    "movaps (%0), %%xmm0\n\t" \
    "mulps (%1), %%xmm0\n\t" \
    "movaps %%xmm0, (%1)" \
    :: "r" (X), "r" (Y)); })

int main(void)
{
    int i, j;
    float a[4] __attribute__((aligned(16))) = { 10, 20, 30, 40 };
    time_t timer, sse_time, std_time;

    timer = time(NULL);
    for(j = 0; j < 5000; ++j)
        for(i = 0; i < ITERATIONS; ++i) {
            float b[4] __attribute__((aligned(16))) = { 0.1, 0.1, 0.1, 0.1 };

            MULT_FLOAT4(a, b);

        }
    sse_time = time(NULL) - timer;

    timer = time(NULL);
    for(j = 0; j < 5000; ++j)
        for(i = 0; i < ITERATIONS; ++i) {
            float b[4] __attribute__((aligned(16))) = { 0.1, 0.1, 0.1, 0.1 };

            b[0] *= a[0];
            b[1] *= a[1];
            b[2] *= a[2];
            b[3] *= a[3];

    }
    std_time = time(NULL) - timer;

    printf("sse_time %d\nstd_time %d\n", sse_time, std_time);

    return 0;
}

1 Ответ

5 голосов
/ 14 ноября 2009

Когда вы включаете оптимизацию, код не-SSE полностью исключается, тогда как код SSE остается там, поэтому этот случай тривиален. Более интересная часть - когда оптимизации отключены: в этом случае SSE-код все еще медленнее, тогда как код циклов тот же.

Код не-SSE тела самого внутреннего цикла: 

movl    $0x3dcccccd, %eax
movl    %eax, -80(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -76(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -72(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -68(%rbp)
movss   -80(%rbp), %xmm1
movss   -48(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -80(%rbp)
movss   -76(%rbp), %xmm1
movss   -44(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -76(%rbp)
movss   -72(%rbp), %xmm1
movss   -40(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -72(%rbp)
movss   -68(%rbp), %xmm1
movss   -36(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -68(%rbp)

SSE код тела самого внутреннего цикла: 

movl    $0x3dcccccd, %eax
movl    %eax, -64(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -60(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -56(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -52(%rbp)
leaq    -48(%rbp), %rax
leaq    -64(%rbp), %rdx
movaps (%rax), %xmm0
mulps (%rdx), %xmm0
movaps %xmm0, (%rdx)

Я не уверен в этом, но вот мое предположение:

Как видите, компилятор просто сохраняет 4 плавающих значения в 4 32-битных хранилищах. Это затем считывается 16-байтовой загрузкой. Это приводит к задержке при пересылке в магазин, что дорого обходится, когда это происходит. Вы можете посмотреть это в руководствах Intel. В скалярной версии этого не происходит, и это влияет на производительность.

Чтобы сделать это быстрее, вам нужно убедиться, что этот останов не произойдет. Если вы используете постоянный массив из 4 чисел с плавающей запятой, сделайте его константным и сохраните результаты в другом выровненном массиве. Таким образом, мы надеемся, что компилятор не сделает ненужные 4-байтовые перемещения перед загрузкой. Или, если вам нужно заполнить результирующий массив, выполните это с помощью 16-байтовой команды хранилища. Если вы не можете избежать этих 4-байтных перемещений, вам нужно сделать что-то еще после хранилища, но до загрузки (например, вычислить что-то еще).

...