看起来编译器无法意识到(并且不添加代码来检查)data[i]
从不指向this->size
.这将使循环行程计数在第一次迭代之前无法计算,这是除 ICC 之外任何主流编译器都无法处理的问题。
希望编译器能够在应用矢量化逻辑之前学会检查可能的重叠,例如(.data > this) || (.data+.size) < this
;希望有一种有效的方法来做到这一点。他们已经发明了代码来检查两个数组之间的重叠add2
.
(启动时需要的检查代码越多,向量化本身的利润就越高;与 128 位向量相比,64 位标量元素在基线 x86-64 上并没有那么糟糕,尤其是当编译器不这样做时从PGO得知,尺寸通常不小,而且循环很热。我尝试过gcc -march=icelake-client
and -march=znver4
不仅启用 AVX2,还为具有非常好的向量吞吐量和缓存/内存带宽的 CPU 设置调整启发式。但仍然没有乐趣,所以这种可能的混叠可能是一个完整的障碍,而不是一个启发式的决定。)
Asm 证据表明编译器担心别名this->size
注意GCC的循环分支是如何的cmp rax, QWORD PTR [rdi+8]
, where rax
holds i
and [rdi+8]
is this->size
(x86-64 SysV 调用约定),因此每次迭代都会重新加载它。如果我们编译-O3 -fno-tree-vectorize
,我们看到 GCC 的add2
在循环之前将大小加载到寄存器中,与循环内的大小进行比较,即提升负载。事实上,GCC 并没有这样做add1
是一个非常明显的迹象表明它认为data[i] += ...
可以修改this->size
.
# GCC's add1 inner loop with -O3 -march=icelake-client
.L3:
mov rcx, QWORD PTR [rsi+rax*8]
add QWORD PTR [rdx+rax*8], rcx
inc rax
cmp rax, QWORD PTR [rdi+8]
jb .L3
另外,将类型更改为unsigned *data;
或任何不能指向size_t
让 GCC、Clang 和 ICC 自动矢量化add1
. Using -fno-strict-aliasing
再次禁用矢量化。 (并且使编译器额外“偏执”,重新加载this->data
and other.data
每次迭代,就像 MSVC 一直在做的那样。也打破了矢量化add2
对于那些编译器。)
更改指针类型对 MSVC 没有帮助,因为它不进行基于类型的别名分析;它总是表现得像gcc -fno-strict-aliasing
。 MSVC 的add2
我认为,已经检查的不仅仅是指向数组的重叠;可能其中一些额外的 cmp/jcc 正在检查this->data[i] += ...
不会改变.data
指针指向this
or other
.
std::vector
没有size_t
会员,通常会避免这种情况
std::vector<size_t>
不会有这个问题(至少在非 MSVC 编译器中),因为基于类型的别名知道size_t *
不能指向另一个指针。std::vector
通常存储三个指针:.begin
, .end
, and end_of_capacity
,所以尺寸信息是end-begin
,不是直接存储大小的成员。
对于迭代一个数组,通常至少与递增指针一样有效for (... ; ptr < endp ; ptr++) *ptr
所以你没有使用索引寻址模式。大概就是这个原因std::vector
通常是这样布局的,而不是一个指针和两个size_t
成员。
有些 RISC 机器甚至没有双寄存器索引寻址模式。对于迭代两个数组,一些 CPU 使用更少的指令会做得更好,只需增加一个索引而不是两个指针增量,但这取决于微体系结构,例如一些 x86 CPU 未层压 https://stackoverflow.com/questions/26046634/micro-fusion-and-addressing-modes add reg, [reg + reg]
在后端分成 2 个 uop,而不是保持微融合,尤其是对于 3 操作数 AVX 指令。
使用索引寻址在 CPU 上循环两个数组的一种有效方法(在 asm 中)是相对于另一个数组对一个数组进行寻址。在 C++ 中执行此操作是 UB 的行为,并且会混淆您的代码,因此编译器应该为您做这些事情。sub rsi, rdi
在循环之外(减去指针),那么循环体可以是mov eax, [rsi + rdi]
(第二个数组 = 差值 + 第一个数组)/add [rdi], eax
(第一个数组)/add rdi, 8
(增加指针,该指针也是另一个数组的索引。)
MSVC 实际上会进行其他编译器尚未采用的优化。 (Godbolt https://godbolt.org/#z:OYLghAFBqd5QCxAYwPYBMCmBRdBLAF1QCcAaPECAMzwBtMA7AQwFtMQByARg9KtQYEAysib0QXACx8BBAKoBnTAAUAHpwAMvAFYTStJg1DIApACYAQuYukl9ZATwDKjdAGFUtAK4sGIMwDMpK4AMngMmAByPgBGmMQSAGykAA6oCoRODB7evv5BaRmOAmER0SxxCVzJdpgOWUIETMQEOT5%2BgbaY9sUMjc0EpVGx8Um2TS1teZ0KE4PhwxWj1QCUtqhexMjsHOYB4cjeWADUJgFus%2Bi0eDEAdAhn2CYaAILPLwD0H8ceLCl08QUx1mdFox1QKUcLDwAC9MMcAO6EBAbAjHAD66OImFmxDwDlIxxiXjRhGOwEwBCBePQ4KoxwICHhDFQeCUdOOmFUBGITGOyCZyAA1uFgO8AG6s2n8VAQcJogBUmOxuPxaKYhPlxyVWJxPLVRJWJgA7FZXscLcd%2BMRjnLBMc8GcACIaU4BCwOs5uLgaMySDRnD2OyzWI2m96WyPHJgmACsFkdsadpxDAWTMTjCbjTsDEctJpzrwL73euK8DmO4pjRfD5stkrwtKY6HQXAgaAYs0rMbMiXBjPiRvdeYtDabLbM7YEXar5j7qAHxCHZredYtXy8nbwwAitIV6CYTVza%2BBsMw6MVB6P7vX32VerxFaZ2OO6FQOIYYA4aKZtBSI9POELwtDI4WPN5jRzYci1eMduxAEBm1bKdOzRWde37Z8VlOWsXktL5APPNFQPhZ0GQQNkAFpHhI8DI2tW0SOAvA3WTAMbxYr1CMDFMrEsPBsJNFco0tK8Y3jRNk2sMiF2fW4xMzSS6PzSCS1UmCXjgqsEKQycOxnHtEnvVUK1kwchIAhiICY0lWOODRCSBMjaI4t03GBHjpP4wTcJEi0FIk7NeJkxd5MPcSsyTZSLWLGtCxeDg1loThY14PwOC0UhUE4NwvI9BQNi2UjAh4UgCE0RK1iFfxEluAAORJjWNABODREg0Y1EgCOrmuNIJko4SQ0oqrLOF4BQQAc8qMsS0g4FgGBEBQVA/gBMgKCnVb6AScVkBSFJ0XFLhmvRAwCD1dFVESaQsHFfFMAANTwTAEQAeRSRhOFKmhaHO4gJogGIRpicJmgATy%2B3gQeYYgwdemJtDqabSrQFg2EEV6GFoCGZtILBiWANwxFoCbuF4LAWEMYBxFx/BsXqcUcRGrk6hJHZSvlboRuuGJeVhjwsBG/UWEhtYqAMYAFCel73s%2BsmZEEEQxHYKQFfkJQ1BG3QzH0KmUDy/QbgmyA1ghXpSY%2BV6zGOD5mgFEAXgegANMxeFQRniBpJmTa6HoshcBh3E8do9FCBZykqPRCkyAQpj8LhUnSGOGCGCPll9pGGjmOO9FqeoBH6FpU5GKpxgGHOE9mAZi6WKo1gKzZtgkJKUuG3Hso4Y4rskY4WAUXbK2O24zr1W1cEIEgUwCLgVl4aatBWNYmWbUYICq/w6tuMwuACAJmskafYy4Mweua/ROCG0gRdjBz0syjvxsmsqKrWealtR/5tvISgP7WkB8WQGYX0XBjQOVuvdaWb0PrpW%2BnQP6AMga42huDSGpBkGw3hojBwqDUbowIJjbGI18ZeEJsTUmpUKZUxpplOmmdGak0yizZAbNUGcwGplHmfMwYC3ZnPPEIsyZiwllLZ6UC5bfVkErcQqt%2BCCEUCodQuNdD9T1qYEMlhDYxGNmvLKkIsik0oq9AIxxKKU3FKoV2WUPZe20fXbomdnAQFcBXYIgca6RwTtHXoLivFZHcenPOvRC6tGDnkSu9j859DmP40uVdJihPjmXIu4cS7N3WI3FWLcOCpVIHfN2nAu4NUotdB0yBkDHCAdvW4xpbiuggOPIgNo9gzzni/JemAV4JB0QNS%2B19b4jQfrYJ%2B89KqkGqtPW4%2B8AigLqpIWMvUNB1Q0G1c%2BHAAht3vmNZ%2BM1X6LTfhAJAv8v4bSOaMSWzAUgKBRAQPGmA7rbEgbLGBvAfrwMoIgzK6CcalS%2BZgpGOCVp4IITjGhmACZE1oCTVBlCjDUPJngemjh6HM1UKzc6rDBBc1xpw8GPDUHC1FnwYRjzoGoNkcIUQ0jpDkvkZrJRegDBGH1uomwPNbG6PNpwQxxiLSmLtg8NMMIGAe0vu7eINj4B2L9o45xCTQ5uJSbXKOSdvFys8SqvxiqPEZ0icElxgSs7Vy1QE7OaqknzDKKkme6SippIGjkvJo1O6qCKSU4AZTbQ8k3EKbC9T8CNKni07ZC914TOuqA5q3U6qxljL2a60gem8D6bkgZWyJpTRfnNPZhyVqf3iN/TaeaEiHCpheYg3rbn3MeqIp5ZK4GAnecDUGsNUG/IRv8%2BWuDGD4KxiC8mYKSEQqhfLGF1Mdg0IRXQpmuMmEsPlmw7mNwuF4vlgSwRRKmCSxJeIl5kjKUq2pbIWlijMq6ATaog2bLJUcv0Vyoxlo%2BVbAFU6F1iRimSEouKYxbtrGNm9jog1MrA4uLDpapV6qihZB8RqkoxrYkRKCaa3IiTANRKNWB7VcSQnIdztEuDaSG62utfajZ%2BTnWup7iWownry0MB9WPf1k9mmz2DaM5eWAulZN6SAG%2BKb25puGW0sZIBJBcFuFwOq0blmRt7LGAIbUE2cHWXxzZHBWk7KyZYx1gyRmL1IB7DIzhJBAA%3D)
// Compilers still optimize without __restrict, but it gets rid of the noise of extra checking
void foo(int *__restrict a, int *__restrict b){
for (int i=0 ; i<10240; i++){
a[i] += b[i];
}
}
void foo(int * __restrict,int * __restrict) PROC ; foo, COMDAT
lea rax, QWORD PTR [rcx+32]
sub rdx, rcx ;;;; <---- Pointer subtraction
mov ecx, 320 ; 00000140H
npad 4
$LL4@foo:
vmovdqu ymm1, YMMWORD PTR [rax-32] ;; unrolled with 4 vectors
vpaddd ymm1, ymm1, YMMWORD PTR [rdx+rax-32]
vmovdqu YMMWORD PTR [rax-32], ymm1
vmovdqu ymm2, YMMWORD PTR [rax]
vpaddd ymm1, ymm2, YMMWORD PTR [rdx+rax]
vmovdqu YMMWORD PTR [rax], ymm1
vmovdqu ymm1, YMMWORD PTR [rax+32]
vpaddd ymm1, ymm1, YMMWORD PTR [rdx+rax+32]
vmovdqu YMMWORD PTR [rax+32], ymm1
vmovdqu ymm1, YMMWORD PTR [rax+64]
vpaddd ymm1, ymm1, YMMWORD PTR [rdx+rax+64]
vmovdqu YMMWORD PTR [rax+64], ymm1
lea rax, QWORD PTR [rax+128]
sub rcx, 1
jne SHORT $LL4@foo
vzeroupper
ret 0
不幸的是,MSVC 搞反了,并使用双寄存器寻址模式作为内存源操作数vpaddq
. It'll 未层压 https://stackoverflow.com/questions/26046634/micro-fusion-and-addressing-modes正在讨论/重命名为 Intel Sandybridge 系列上的 ROB,至少包括 Skylake,可能会稍后一些。但vpaddd ymm1, ymm1, [rdx]
将为 1 uop。纯负载vmovdqu
即使使用索引寻址模式,也始终为 1 uop。
索引存储也不理想(存储地址 uop 无法在 Haswell / Skylake 上的端口 7 上运行),MSVC 确实避免了这种情况。但它可以通过执行纯负载来获得两全其美的效果b[]
使用索引寻址模式,然后是内存源vpadd
+ 使用简单寻址模式存储,例如[rdx+32]
.
因此,MSVC 确实节省了一些代码大小,并且通过仅需要一个循环开销增量,在后端吞吐量方面获得了一些好处,并且在 AGU 端口争用中,因此可以在每个时钟接近 1 个向量的情况下运行,并且 L1d 缓存命中可以让它运行每个周期执行 2 次加载 + 1 次存储(Intel 的优化手册表明,由于某些未知原因,Skylake 无法完全支持 32 字节加载/存储),
使用 GCC 和 clang 等存储的索引寻址模式,它只能在 Haswell / Skylake 上以每 1.5 个周期 1 个向量运行。 (Ice Lake 有两个负载 AGU 和两个独立的存储 AGU,避免了这个瓶颈,但我不知道索引寻址模式的非分层在 Ice Lake 或 Alder Lake 上是否仍然存在。)
我不知道 MSVC 更喜欢什么lea
用于递增指针。或者为了更喜欢sub ecx/jne
而不是与结束指针进行比较lea
在循环之前而不是mov
。那么循环的结束可能是cmp rax, r8
/jne
或者其他东西,它会在 AMD 上融合成单个微指令,而不仅仅是英特尔。