对标SSE指令

Question

我正在做一些SSE代码（将4个浮点数乘以4个浮点数）与传统C代码做同样的事情。我认为我的基准测试代码在某种程度上必须是不正确的，因为它似乎认为非SSE代码比SSE快2-3倍。

有人能告诉我下面的基准代码有什么问题吗？也许会提出另一种准确显示SSE和非SSE代码速度的方法。

#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代码被完全消除，而SSE代码保留在那里，所以这种情况是微不足道的。更有趣的部分是关闭优化：在这种情况下，SSE代码仍然较慢，而循环的代码是相同的。最里面的循环体的

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) 

最里面的循环体的

上交所代码：

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) 

我不知道这一点，但这里是我的猜测：

正如你所看到的，编译器只是通过4个32位存储来存储4个浮点值。然后通过16字节的加载读回。这导致存储转发失速，这在发生时是昂贵的。您可以在英特尔手册中查到这一点。它不会在标量版本中出现，这会使性能出现差异。

为了使速度更快，您需要确保不会发生此失速。如果您使用的是4个浮点数的常量数组，请将其设置为const并将结果存储在另一个对齐的数组中。这样，编译器希望在加载之前不会产生不必要的4字节mov。或者，如果您需要填充结果数组，请使用16字节的存储命令来完成。如果你无法避免这些4字节的movs，你需要在存储之后但在加载之前做其他事情（例如计算其他内容）。