使用 AVX 后 SSE 运行缓慢 [重复]

Question

我一直在处理的一些 SSE2 和 AVX 代码有一个奇怪的问题。我正在使用运行时 cpu 功能检测的 GCC 构建我的应用程序。目标文件为每个 CPU 功能使用单独的标志构建，例如：

g++ -c -o ConvertSamples_SSE.o ConvertSamples_SSE.cpp -std=c++11 -fPIC -O0 -g -Wall -I./include -msse
g++ -c -o ConvertSamples_SSE2.o ConvertSamples_SSE2.cpp -std=c++11 -fPIC -O0 -g -Wall -I./include -msse2
g++ -c -o ConvertSamples_AVX.o ConvertSamples_AVX.cpp -std=c++11 -fPIC -O0 -g -Wall -I./include -mavx

当我第一次启动该程序时，我发现 SSE2 例程正常，与非 SSE 例程相比具有很好的速度提升（快 100% 左右）。在我运行任何 AVX 例程后，完全相同的 SSE2 例程现在运行速度要慢得多。

有人能解释一下这可能是什么原因吗？

在 AVX 例程运行之前，所有测试都比 FPU 数学快 80-130% 左右，从这里可以看出，在 AVX 例程运行之后，SSE 例程要慢得多。

如果我跳过 AVX 测试例程，我永远不会看到这种性能损失。

这是我的 SSE2 例程

void Float_S16(const float *in, int16_t *out, const unsigned int samples)
{
  static float  ratio = (float)Limits<int16_t>::range() / (float)Limits<float>::range();
  static __m128 mul   = _mm_set_ps1(ratio);

  unsigned int i;
  for (i = 0; i < samples - 3; i += 4, in += 4, out += 4)
  {
    __m128i con = _mm_cvtps_epi32(_mm_mul_ps(_mm_load_ps(in), mul));
    out[0] = ((int16_t*)&con)[0];
    out[1] = ((int16_t*)&con)[2];
    out[2] = ((int16_t*)&con)[4];
    out[3] = ((int16_t*)&con)[6];
  }

  for (; i < samples; ++i, ++in, ++out)
    *out = (int16_t)lrint(*in * ratio);
}

和AVX版本一样。

void Float_S16(const float *in, int16_t *out, const unsigned int samples)
{
  static float ratio = (float)Limits<int16_t>::range() / (float)Limits<float>::range();
  static __m256 mul  = _mm256_set1_ps(ratio);

  unsigned int i;
  for (i = 0; i < samples - 7; i += 8, in += 8, out += 8)
  {
    __m256i con = _mm256_cvtps_epi32(_mm256_mul_ps(_mm256_load_ps(in), mul));
    out[0] = ((int16_t*)&con)[0];
    out[1] = ((int16_t*)&con)[2];
    out[2] = ((int16_t*)&con)[4];
    out[3] = ((int16_t*)&con)[6];
    out[4] = ((int16_t*)&con)[8];
    out[5] = ((int16_t*)&con)[10];
    out[6] = ((int16_t*)&con)[12];
    out[7] = ((int16_t*)&con)[14];
  }

  for(; i < samples; ++i, ++in, ++out)
    *out = (int16_t)lrint(*in * ratio);
}

我也通过 valgrind 运行了这个，它没有检测到错误。

Answer 1

混合使用 AVX 代码和旧版 SSE 代码会导致性能下降。最合理的解决方案是在一段 AVX 代码之后执行 VZEROALL 指令，尤其是在执行 SSE 代码之前。

根据 Intel 的图表，转换进入或退出状态 C（保存了上半部分 AVX 寄存器的传统 SSE）时的损失约为 100 个时钟周期。其他的转换只有1个周期：

参考资料：

• Intel: Avoiding AVX-SSE Transition Penalties
• Intel® AVX State Transitions: Migrating SSE Code to AVX