使用 SIMD 指令将代码转换为代码

Question

我正在准备考试，并且正在做一些不方便的练习。因此，我一直在提供此代码，并想知道是否已将代码转换为 SIMD 指令。

代码

int A[100000];
int B[100000];
int C=0;

for int(i=0; i < 100000; i++)
    C += A[i] * B[i];

既然没有余数，我们就不用管它了。我们还假设它是一个 128 位的寄存器，因此可以计算 4 个单精度浮点值。

我的结果 - 使用 SIMD

int A[100000];
int B[100000];
int C=0;

for int(i=0; i < 100000/4; i += 4)
    C += A[i] * B[i];
    C += A[i+1] * B[i+1];
    C += A[i+2] * B[i+2];
    C += A[i+3] * B[i+3];

您认为使用 SIMD 指令而不是编写多线程程序有什么优势？

Answer 1

假设您的第二个循环中省略的花括号只是一个错字，并且 for 循环中的错字，以及您询问浮点数相乘但您的代码显示整数数组的事实，这不会得到很好的矢量化，即使编译器看到它。虽然编译器可能会将 A 和 B 中的 4 个值分别加载为一条指令，并在一条指令中进行 4 次乘法运算，但您的代码会强制编译器然后提取 4 个乘积中的每一个并按顺序对它们求和，并得到单独的SIMD 寄存器中的值通常很慢。

如果你这样做了

float A[100000];
float B[100000];
float C0=0, C1=0, C2=0, C3=0;

for (size_t i=0; i < 100000/4; i += 4)
{
    C0 += A[i+0] * B[i+0];
    C1 += A[i+1] * B[i+1];
    C2 += A[i+2] * B[i+2];
    C3 += A[i+3] * B[i+3];
}
float C = (C0 + C1) + (C2 + C3);

然后一个好的编译器可以向量化它，因为现在它看到在每个循环中它加载两个 SIMD 寄存器，将它们相乘，然后它可以将结果添加到总和的 SIMD 寄存器中，并且只提取这 4 个总和并将它们相加到最后。

矢量化编译可以使用 SIMD 执行此操作，并且不会更改单个总和的评估顺序（FP 数学不是关联的）。出于这个原因，通常不允许编译器更改 FP 数学的顺序（并非没有一些额外的标志，允许它在技术上违反语言标准），因此上面的代码可以用 SIMD 指令精确表示，并且运行得更快（事实上​​，我会进一步展开循环，因为乘法将成为目前的瓶颈）。

这是 SIMD 的一种技巧，您必须了解并思考如何最好地使用向量指令实现该操作，然后编写代码来执行相同的操作序列，并希望编译器发现您的内容已经完成了。

或者您可以使用内在函数自己编写向量指令，或使用 OpenMP 或类似工具更明确地告诉编译器要做什么。

在这种操作中，SIMD 优于线程的优势之一在于，您可以在单个内核中使用更多的芯片......因此您不会阻止另一个线程获得周期。在我们的计算网格上，我们通常在任何一台机器上运行许多单线程进程，以使所有内核始终处于忙碌状态……在这种情况下，使用更多内核进行这个求和是一种虚假的经济，你只是在窃取循环另一个线程可能有用地运行另一个作业。

Answer 2

是的，所提供的代码应该使用有能力的 CPU 和编译器编译成 SIMD 指令。

在支持向量的处理器上，SIMD 提供了可大大加速相同并行计算的硬件功能。例如，由于流式 RAM 访问，SIMD 通常会更好地利用单个内核上的缓存，假设正在处理的数据位于内存的连续区域中。使用多处理、缓存竞争和其他同步开销实际上会降低性能，因为各个内核会尝试同时写入数据。这是对冯诺依曼机器的内在提升，因为只需从共享系统内存中读取一条而不是四条单独的指令。

并行执行这些算术运算的逻辑始终存在，但需要使用特定的 SIMD 指令。因此，SIMD 倾向于用于热循环中，在这种循环中，手动调整对整体优化有意义。