C 代码循环性能 [续]

Question

这个问题在我的问题上继续（根据 Mystical 的建议）：

C code loop performance

---

继续我的问题，当我使用压缩指令而不是标量指令时，使用内在函数的代码看起来非常相似：

for(int i=0; i<size; i+=16) {
    y1 = _mm_load_ps(output[i]);
    …
    y4 = _mm_load_ps(output[i+12]);

    for(k=0; k<ksize; k++){
        for(l=0; l<ksize; l++){
            w  = _mm_set_ps1(weight[i+k+l]);

            x1 = _mm_load_ps(input[i+k+l]);
            y1 = _mm_add_ps(y1,_mm_mul_ps(w,x1));
            …
            x4 = _mm_load_ps(input[i+k+l+12]);
            y4 = _mm_add_ps(y4,_mm_mul_ps(w,x4));
        }
    }
    _mm_store_ps(&output[i],y1);
    …
    _mm_store_ps(&output[i+12],y4);
    }

该内核的测量性能约为每个周期 5.6 次 FP 操作，尽管我希望它恰好是标量版本性能的 4 倍，即每个周期 4.1,6=6,4 FP 操作。

考虑到权重因素的移动（感谢您指出），时间表如下：

看起来时间表没有改变，尽管在movss 操作之后有一条额外的指令将标量权重值移动到 XMM 寄存器，然后使用shufps 将此标量值复制到整个向量中.考虑到从负载到浮点域的切换延迟，权重向量似乎已准备好及时用于mulps，因此这不会产生任何额外的延迟。

此内核中使用的movaps（对齐、打包移动）、addps 和mulps 指令（通过汇编代码检查）具有与其标量版本相同的延迟和吞吐量，因此不应该这样做也会产生任何额外的延迟。

假设这个内核可以获得的最大性能是每个周期 6.4 FP ops 并且它以每个周期 5.6 FP ops 运行，是否有人知道每 8 个周期的额外周期花费在哪里？

---

顺便说一下，这里是实际组装的样子：

…
Block x: 
  movapsx  (%rax,%rcx,4), %xmm0
  movapsx  0x10(%rax,%rcx,4), %xmm1
  movapsx  0x20(%rax,%rcx,4), %xmm2
  movapsx  0x30(%rax,%rcx,4), %xmm3
  movssl  (%rdx,%rcx,4), %xmm4
  inc %rcx
  shufps $0x0, %xmm4, %xmm4               {fill weight vector}
  cmp $0x32, %rcx 
  mulps %xmm4, %xmm0 
  mulps %xmm4, %xmm1
  mulps %xmm4, %xmm2 
  mulps %xmm3, %xmm4
  addps %xmm0, %xmm5 
  addps %xmm1, %xmm6 
  addps %xmm2, %xmm7 
  addps %xmm4, %xmm8 
  jl 0x401ad6 <Block x> 
…

Answer 1

尝试在 Vtune 中使用 EMON 分析，或类似 oprof 的一些等效工具

• Vtune for Linux（可以搜索Windows版本）
• oprofile

EMON（事件监控）分析 => 类似于基于时间的工具，但它可以告诉您是什么性能事件导致了问题。虽然，您应该首先从基于时间的配置文件开始，看看是否有特定的指令跳出。 （可能还有相关事件会告诉您该 IP 多久出现一次退休停顿。）

要使用 EMON 分析，您必须遍历事件列表，范围从“通常的嫌疑人”到...

在这里，我将从缓存未命中、对齐开始。我不知道您使用的处理器是否有针对 RF 端口限制的计数器 - 应该有 - 但我很久以前添加了 EMON 分析，而且我不知道它们通过添加适合微架构的事件来跟上的效果如何。

也有可能是前端，取指令，停顿。无论如何，这些指令中有多少字节？也有 EMON 事件。

---

回应 Nehalem VTune 看不到 L3 事件的评论：不正确。以下是我在评论中添加的内容，但不适合：

实际上，LL3 / L3$ / 所谓的 Uncore 都有性能计数器。如果 VTune 不支持它们，我会感到非常惊讶。请参阅http://software.intel.com/sites/products/collateral/hpc/vtune/performance_analysis_guide.pdf 指向 VTune 和其他工具，例如 PTU。事实上，即使没有 LL3 事件，正如 David Levinthal 所说：“英特尔® 酷睿™ i7 处理器有一个‘延迟事件’，它是 与 Itanium® 处理器系列数据 EAR 事件非常相似。本次活动样本 加载，记录指令执行和实际执行之间的周期数 数据的传递。如果测量的延迟大于最小延迟 编程到 MSR 0x3f6，位 15:0，然后计数器递增。柜台 溢出使 PEBS 机制和满足延迟的下一个事件发生 阈值，测量的延迟，虚拟或线性地址和数据源是 复制到 PEBS 缓冲区中的 3 个附加寄存器中。因为虚拟地址是 捕获到一个已知的位置，采样驱动程序还可以执行一个虚拟到 物理翻译并捕获物理地址。物理地址标识 NUMA 主位置，原则上允许分析缓存的详细信息 占用。”他还在第 35 页指出了 VTune 事件，例如 L3 CACHE_HIT_UNCORE_HIT 和 L3 CACHE_MISS_REMOTE_DRAM。有时您需要查找数字代码并将它们编程到 VTune 的较低级别接口中，但我认为在这种情况下它在漂亮的用户界面。

---

好的，在http://software.intel.com/en-us/forums/showthread.php?t=77700&o=d&s=lr 中，俄罗斯的一位 VTune 程序员（我认为）“解释”了您无法对 Uncore 事件进行采样。

他错了——例如，您可以只启用一个 CPU，然后进行有意义的采样。我也相信有能力在 L3 丢失数据返回 CPU 时对其进行标记。事实上，总体而言，L3 知道它将数据返回到哪个 CPU，因此您绝对可以进行采样。您可能不知道哪个超线程，但您可以再次禁用，进入单线程模式。

但看起来，这很常见，您必须在 VTune 周围工作，而不是使用它，才能做到这一点。

首先尝试延迟分析。这完全在 CPU 内部，VTune 的人不太可能把它搞砸了。

而且，我再说一遍，很可能你的问题出在核心，而不是 L3。所以 VTune 应该能够处理这个问题。

---

试试 Levinthal 的“循环会计”。