用 YMM 向量寄存器求和 vec4[idx[i]] * scalar[i]答案

【问题标题】：Summing vec4[idx[i]] * scalar[i] with YMM vector registers用 YMM 向量寄存器求和 vec4[idx[i]] * scalar[i]
【发布时间】：2019-05-15 07:28:35
【问题描述】：

我正在尝试优化以下sum{vec4[indexarray[i]] * scalar[i]}，其中vec4 是float[4]，scalar 是浮点数。对于 128 位寄存器，这归结为

sum = _mm_fmadd_ps(
            _mm_loadu_ps(vec4[indexarray[i]]),
            _mm_set_ps1(scalar[i]),
            sum);

如果我想在 256 位寄存器上执行 FMA，我必须这样做

__m256 coef = _mm256_set_m128(
                    _mm_set_ps1(scalar[2 * i + 0]),
                    _mm_set_ps1(scalar[2 * i + 1]));
__m256 vec = _mm256_set_m128(
                    _mm_loadu_ps(vec4[indexarray[2 * i + 0]]),
                    _mm_loadu_ps(vec4[indexarray[2 * i + 1]]));
sum = _mm256_fmadd_ps(vec, coef, sum);

随着随机播放并在末尾添加以求上车道和下车道的总和。

理论上，我从单个 FMA 中获得了 5 的延迟（假设 Haswell 架构），但从 _mm256_set_m128 中减少了 2x3 的延迟。

有没有办法使用 ymm 寄存器使这更快，或者单个 FMA 的所有收益都会因组合 xmm 寄存器而抵消？

【问题讨论】：

英特尔的 MKL 库有一个函数可以用于该操作：cblas?_ddoti，参见software.intel.com/en-us/mkl-developer-reference-c-cblas-doti。我怀疑这个功能是由英特尔高度优化的。因此，您可以直接使用它，也可以查看它的（汇编）源代码——前提是您拥有英特尔编译器许可证。
难道sdoti 不需要x 和y 数组具有相同数量的元素吗？在我的例子中，x 中的元素数量是y 的四分之一。
不，我指的函数是sparse版本。您可以在页面的“描述”部分看到这一点。一个向量是密集的，而另一个向量是稀疏的。我认为该函数完全执行您的操作。
vec4 有多大，或者indexarray 的范围是多少？首先将scalar[i] 汇总到一个临时数组（temp[indexarray[i]] 处的每个值）并在最后计算一个简单的矩阵向量积可能更有效——除非indexarray 中的条目非常稀疏。
@chtz vec4 数以千计（少于 10k）。 indexarray 是稀疏的（我没有确切的数字给你，但我的直觉大约是 5-10%），但索引往往会聚集在一起。

标签： c++ simd intrinsics avx2

【解决方案1】：

但在_mm256_set_m128 的延迟上损失了 2x3

不，延迟不在关键路径上；这是为 FMA 准备输入的一部分。为每个独立的i 值做更多的洗牌的问题是吞吐量。

延迟只对通过sum 的循环携带依赖链真正重要，它既是 FMA 的输入又是 FMA 的输出。

仅依赖于i 和内存内容的输入可以通过乱序执行跨多次迭代并行处理。

不过，您可能仍然领先，构建 256 位向量。无论您编写源代码（_mm256_set_m128 不是真正的指令），它都可能会成为前端或每时钟 1 次随机播放吞吐量的瓶颈。您希望它编译为 128 位加载，然后 vinsertf128 ymm, ymm, [mem], 1 插入向量的高半部分。 vinsertf128 确实要花很多钱。

如果您在 128 位寄存器的延迟上遇到瓶颈，最好只使用多个累加器，这样（在 Haswell 上）最多可以同时运行 10 个 FMA：5c 延迟 * 0.5c 吞吐量。在最后添加它们。 Why does mulss take only 3 cycles on Haswell, different from Agner's instruction tables?

【讨论】：

_mm256_set_m128 不能编译成vinsertf128？
@AviGinsburg：在这种情况下，它会首先出现vmovups。如果两个输入碰巧在内存中是连续的，它可以编译为单个 256 位加载。或者，如果两个输入相同，它将（希望）编译为单个 128 位广播负载。如果两个输入都在寄存器中，编译器也可以选择将其编译为vperm2f128，但通常vinsertf128 也最适合这种情况。
谢谢。我决定使用你的 Y 解决方案来解决我的 X 问题（选择多个累加器）。并不是说这与我所问的问题相互排斥，但我更有可能以这种方式遇到不可避免的缓存未命中问题。
@AviGinsburg：是的，你甚至可以同时使用 2x __m128 和 1x __m256 或其他东西，然后展开 4x vec4。但是 128 位向量可以非常高效地编译，vbroadcastss 用于标量负载，内存源操作数用于 FMA。（或者来自scalar[i] 的 128 位负载，您可以 4 种方式进行混洗，以减少负载端口的压力，以防缓存未命中成为瓶颈，或者可能通过帮助更快地收集负载地址来增加内存并行度。）
我选择了 8 个累加器。如果我最终获得了 x4 或更多的提升，我将合并 __m256。虽然，我也喜欢你单次加载和四次随机播放的想法，所以我可能会先添加。