基准 SSE 指令

Question

我正在对一些 SSE 代码（将 4 个浮点数乘以 4 个浮点数）与做同样事情的传统 C 代码进行基准测试。我认为我的基准代码在某些方面一定是不正确的，因为它似乎说非 SSE 代码比 SSE 快 2-3 倍。

谁能告诉我下面的基准测试代码有什么问题？并且也许建议另一种方法来准确显示 SSE 和非 SSE 代码的速度。

#include <time.h>
#include <string.h>
#include <stdio.h>

#define ITERATIONS 100000

#define MULT_FLOAT4(X, Y) ({ \
asm volatile ( \
    "movaps (%0), %%xmm0\n\t" \
    "mulps (%1), %%xmm0\n\t" \
    "movaps %%xmm0, (%1)" \
    :: "r" (X), "r" (Y)); })

int main(void)
{
    int i, j;
    float a[4] __attribute__((aligned(16))) = { 10, 20, 30, 40 };
    time_t timer, sse_time, std_time;

    timer = time(NULL);
    for(j = 0; j < 5000; ++j)
        for(i = 0; i < ITERATIONS; ++i) {
            float b[4] __attribute__((aligned(16))) = { 0.1, 0.1, 0.1, 0.1 };

            MULT_FLOAT4(a, b);

        }
    sse_time = time(NULL) - timer;

    timer = time(NULL);
    for(j = 0; j < 5000; ++j)
        for(i = 0; i < ITERATIONS; ++i) {
            float b[4] __attribute__((aligned(16))) = { 0.1, 0.1, 0.1, 0.1 };

            b[0] *= a[0];
            b[1] *= a[1];
            b[2] *= a[2];
            b[3] *= a[3];

    }
    std_time = time(NULL) - timer;

    printf("sse_time %d\nstd_time %d\n", sse_time, std_time);

    return 0;
}

Answer 1

当您启用优化时，非 SSE 代码将被完全消除，而 SSE 代码仍保留在那里，因此这种情况是微不足道的。更有趣的部分是优化关闭时：在这种情况下，SSE 代码仍然较慢，而循环的代码是相同的。

最内层循环体的非 SSE 代码：

movl    $0x3dcccccd, %eax
movl    %eax, -80(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -76(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -72(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -68(%rbp)
movss   -80(%rbp), %xmm1
movss   -48(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -80(%rbp)
movss   -76(%rbp), %xmm1
movss   -44(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -76(%rbp)
movss   -72(%rbp), %xmm1
movss   -40(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -72(%rbp)
movss   -68(%rbp), %xmm1
movss   -36(%rbp), %xmm0
mulss   %xmm1, %xmm0
movss   %xmm0, -68(%rbp)

最内层循环体的SSE代码：

movl    $0x3dcccccd, %eax
movl    %eax, -64(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -60(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -56(%rbp)
movl    $0x3dcccccd, %eax
movl    %eax, -52(%rbp)
leaq    -48(%rbp), %rax
leaq    -64(%rbp), %rdx
movaps (%rax), %xmm0
mulps (%rdx), %xmm0
movaps %xmm0, (%rdx)

我不确定，但这是我的猜测：

如您所见，编译器仅将 4 个浮点值存储在 4 个 32 位存储中。然后通过 16 字节加载读回。这会导致存储转发停顿，这在发生时代价高昂。您可以在英特尔手册中查找此内容。它不会出现在标量版本中，这会导致性能差异。

为了加快速度，您需要确保不会发生这种停顿。如果您使用 4 个浮点数的常量数组，请将其设为 const 并将结果存储在另一个对齐的数组中。这样，编译器希望不会在加载之前进行那些不必要的 4 字节移动。或者，如果您需要填充结果数组，请使用 16 字节存储命令来完成。如果您无法避免那些 4 字节的 mov，则需要在存储之后但在加载之前执行其他操作（例如计算其他内容）。