256-битные векторы AVX немного медленнее скалярных (~ 10%) для STREAM-подобного двойного сложения l oop на огромных массивах в Xeon Gold - PullRequest
Новая
       33

256-битные векторы AVX немного медленнее скалярных (~ 10%) для STREAM-подобного двойного сложения l oop на огромных массивах в Xeon Gold

3 голосов
/ 29 февраля 2020

Я новичок в наборе инструкций AVX512, и я пишу следующий код в качестве демонстрации. 

#include <iostream>
#include <array>
#include <chrono>
#include <vector>
#include <cstring>
#include <omp.h>
#include <immintrin.h>
#include <cstdlib>

int main() {

  unsigned long m, n, k;
  m = n = k = 1 << 30;
  auto *a = static_cast<double*>(aligned_alloc(512, m*sizeof(double)));
  auto *b = static_cast<double*>(aligned_alloc(512, n*sizeof(double)));
  auto *c = static_cast<double*>(aligned_alloc(512, k*sizeof(double)));

  memset(a, 1, m * sizeof(double));
  memset(b, 1, n * sizeof(double));
  memset(c, 1, k * sizeof(double));

  std::chrono::time_point<std::chrono::system_clock> start, end;

  start = std::chrono::system_clock::now();
  for (int iter = 0; iter < 30; iter++) {
    for (unsigned long i = 0; i < n; i+=4) {
      // __m512d x1 = _mm512_load_pd(&a[i]);
      // __m512d x2 = _mm512_load_pd(&b[i]);
      // __m512d result = _mm512_add_pd(x1, x2);
      // _mm512_store_pd(&c[i], result);
      __m256d x1 = _mm256_load_pd(&a[i]);
      __m256d x2 = _mm256_load_pd(&b[i]);
      __m256d result = _mm256_add_pd(x1, x2);
      _mm256_store_pd(&c[i], result);
    }
  }
  end = std::chrono::system_clock::now();

  std::chrono::duration<double> elapsed_seconds = end - start;
  std::cout << "elapsed time: " << elapsed_seconds.count() << std::endl;

  return 0;
}

Я выделяю выровненную память и использую набор команд AVX для улучшения производительности вычислений. Однако после того, как я скомпилирую и выполню это следующим образом. 

szhangcj@gpu3:~/HPC$ g++ -O2 -msse -msse2 -mavx512f -fopenmp main_avx.cpp -o avx
szhangcj@gpu3:~/HPC$ ./avx 
elapsed time: 77.8923
szhangcj@gpu3:~/HPC$ g++ -O2 main.cpp -o single
szhangcj@gpu3:~/HPC$ ./single
elapsed time: 70.0907

Моя однопотоковая версия просто заменяет часть для l oop следующим образом. 

  for (int iter = 0; iter < 30; iter++) {
    for (unsigned long i = 0; i < n; i++) {
      c[i] = a[i] + b[i];
    }
  }

Я ожидаю, что производительность вычислений должна быть значительно улучшена. Но, похоже, улучшения нет вообще. Что не так с этим? Я также хочу объединить OpenMP с набором команд AVX, чтобы улучшить его.

Следующая информация о моем сервере. г cc версия 7.4.0 (Ubuntu 7.4.0-1ubuntu1~18.04.1)

Architecture:        x86_64
CPU op-mode(s):      32-bit, 64-bit
Byte Order:          Little Endian
CPU(s):              44
On-line CPU(s) list: 0-43
Thread(s) per core:  1
Core(s) per socket:  22
Socket(s):           2
NUMA node(s):        2
Vendor ID:           GenuineIntel
CPU family:          6
Model:               85
Model name:          Intel(R) Xeon(R) Gold 6152 CPU @ 2.10GHz
Stepping:            4
CPU MHz:             1000.019
CPU max MHz:         2101.0000
CPU min MHz:         1000.0000
BogoMIPS:            4200.00
Virtualization:      VT-x
L1d cache:           32K
L1i cache:           32K
L2 cache:            1024K
L3 cache:            30976K
NUMA node0 CPU(s):   0-21
NUMA node1 CPU(s):   22-43
Flags:               fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush dts acpi mmx fxsr sse sse2 ss ht tm pbe syscall nx pdpe1gb rdtscp lm constant_tsc art arch_perfmon pebs bts rep_good nopl xtopology nonstop_tsc cpuid aperfmperf pni pclmulqdq dtes64 monitor ds_cpl vmx smx est tm2 ssse3 sdbg fma cx16 xtpr pdcm pcid dca sse4_1 sse4_2 x2apic movbe popcnt tsc_deadline_timer aes xsave avx f16c rdrand lahf_lm abm 3dnowprefetch cpuid_fault epb cat_l3 cdp_l3 invpcid_single pti intel_ppin ssbd mba ibrs ibpb stibp tpr_shadow vnmi flexpriority ept vpid fsgsbase tsc_adjust bmi1 hle avx2 smep bmi2 erms invpcid rtm cqm mpx rdt_a avx512f avx512dq rdseed adx smap clflushopt clwb intel_pt avx512cd avx512bw avx512vl xsaveopt xsavec xgetbv1 xsaves cqm_llc cqm_occup_llc cqm_mbm_total cqm_mbm_local dtherm ida arat pln pts pku ospke md_clear flush_l1d
...