gcc - 使用 GCC 和 GFORTRAN 进行矢量化
问题描述
我有一个简单的循环,我希望在程序集中看到 YMM 寄存器,但我只看到 XMM
program loopunroll
integer i
double precision x(8)
do i=1,8
x(i) = dble(i) + 5.0d0
enddo
end program loopunroll
然后我编译它(gcc或gfortran无关紧要。我使用的是gcc 8.1.0)
[user@machine avx]$ gfortran -S -mavx loopunroll.f90
[user@machine avx]$ cat loopunroll.f90|grep mm
[user@machine avx]$ cat loopunroll.s|grep mm
vcvtsi2sd -4(%rbp), %xmm0, %xmm0
vmovsd .LC0(%rip), %xmm1
vaddsd %xmm1, %xmm0, %xmm0
vmovsd %xmm0, -80(%rbp,%rax,8)
但如果我这样做,英特尔并行工作室 2018 update3:
[user@machine avx]$ ifort -S -mavx loopunroll.f90
[user@machine avx]$ cat loopunroll.s|grep mm vmovdqu .L_2il0floatpacket.0(%rip), %xmm2 #11.8
vpaddd .L_2il0floatpacket.2(%rip), %xmm2, %xmm3 #11.15
vmovupd .L_2il0floatpacket.1(%rip), %ymm4 #11.23
vcvtdq2pd %xmm2, %ymm0 #11.15
vcvtdq2pd %xmm3, %ymm5 #11.15
vaddpd %ymm0, %ymm4, %ymm1 #11.8
vaddpd %ymm5, %ymm4, %ymm6 #11.8
vmovupd %ymm1, loopunroll_$X.0.1(%rip) #11.8
vmovupd %ymm6, 32+loopunroll_$X.0.1(%rip) #11.8
我还尝试了 gnu 和 intel 的标志 -march=core-avx2 -mtune=core-avx2 ,我仍然在 gnu 生产的程序集中得到相同的 XMM 结果,但在 intel 生产的程序集中得到 YMM
请问各位,我应该做些什么不同的事情?
非常感谢,M
解决方案
您忘记使用 启用优化gfortran
。使用gfortran -O3 -march=native
.
为了不完全优化,请编写一个函数(子例程),该函数(子例程)产生该子例程之外的代码可以看到的结果。例如x
,作为参数并存储它。编译器必须发出适用于任何调用者的 asm,包括在调用其子例程后关心数组内容的调用者。
对于 gcc,-ftree-vectorize
仅在 启用-O3
,而不是-O2
。
gcc 的默认值是-O0
,即编译速度快,代码非常慢,但调试始终如一。
gcc 永远不会在-O0
. 您必须使用-O3
或-O2 -ftree-vectorize
。
ifort
与 gcc 不同,默认值显然包括优化。如果您不使用gcc,则不应期望ifort -S
和输出远程相似。gcc -S
-O3
当我使用 -O3 时,它会丢弃程序集中对 XMM 和 YMM 的任何引用。
当编译器优化掉无用的工作时,这是一件好事。
编写一个函数,该函数接受一个数组输入 arg 并写入一个输出 arg,然后查看该函数的 asm。或者对两个全局数组进行操作的函数。 不是整个程序,因为编译器具有整个程序优化。
无论如何,请参阅如何从 GCC/clang 程序集输出中删除“噪音”?有关编写有用函数以查看编译器 asm 输出的提示。这是一个 C 问答,但所有建议也适用于 Fortran:编写接受 args 并返回结果或具有无法优化的副作用的函数。
http://godbolt.org/没有 Fortran,而且编译为 fortran-xfortran
似乎不起作用。g++
(-xc
不过,可以在 Godbolt 上编译为 C 而不是 C++。)否则,我建议使用该工具来查看编译器输出。
我为你的循环制作了一个 C 版本,以查看 gcc 对其优化器的大概相似输入做了什么。(我没有安装 gfortran 8.1,我几乎不知道 Fortran。我来这里是为了 AVX 和优化标签,但 gfortran 使用与我非常熟悉的 gcc 相同的后端。)
void store_i5(double *x) {
for(int i=0 ; i<512; i++) {
x[i] = 5.0 + i;
}
}
使用i<8
作为循环条件,gcc和 clang 明智地优化函数以仅从静态常量-O3 -march=haswell
复制 8 s,使用. 增加数组大小,gcc 会完全展开副本以达到惊人的大尺寸,最多 143秒。但是对于 144 或更多,它会产生一个实际计算的循环。某处可能有一个调整参数来控制这种启发式。顺便说一句,clang 完全展开副本甚至 256秒,使用. 但是 512 足够大,gcc 和 clang 都可以进行计算循环。double
vmovupd
double
double
-O3 -march=haswell
gcc8.1 的内部循环(带有-O3 -march=haswell
)看起来像这样,使用-masm=intel
. (参见Godbolt 编译器资源管理器上的 source+asm)。
vmovdqa ymm1, YMMWORD PTR .LC0[rip] # [0,1,2,3,4,5,6,7]
vmovdqa ymm3, YMMWORD PTR .LC1[rip] # set1_epi32(8)
lea rax, [rdi+4096] # rax = endp
vmovapd ymm2, YMMWORD PTR .LC2[rip] # set1_pd(5.0)
.L2: # do {
vcvtdq2pd ymm0, xmm1 # packed convert 4 elements to double
vaddpd ymm0, ymm0, ymm2 # +5.0
add rdi, 64
vmovupd YMMWORD PTR [rdi-64], ymm0 # store x[i+0..3]
vextracti128 xmm0, ymm1, 0x1
vpaddd ymm1, ymm1, ymm3 # [i0, i1, i2, ..., i7] += 8 packed 32-bit integer add (d=dword)
vcvtdq2pd ymm0, xmm0 # convert the high 4 elements
vaddpd ymm0, ymm0, ymm2
vmovupd YMMWORD PTR [rdi-32], ymm0
cmp rax, rdi
jne .L2 # }while(p < endp);
我们可以通过使用偏移量来阻止小数组的常量传播,因此要存储的值不再是编译时常量:
void store_i5_var(double *x, int offset) {
for(int i=0 ; i<8; i++) {
x[i] = 5.0 + (i + offset);
}
}
gcc 使用与上面基本相同的循环体,有一些设置,但向量常数相同。
调整选项:
某些目标上的gcc-O3 -march=native
更喜欢使用 128 位向量进行自动向量化,因此您仍然不会获得 YMM 寄存器。您可以使用它-march=native -mprefer-vector-width=256
来覆盖它。(https://gcc.gnu.org/onlinedocs/gcc/x86-Options.html)。(或者对于 gcc7 及更早版本,-mno-prefer-avx128`。)
gcc 更喜欢 256 位,-march=haswell
因为执行单元完全是 256 位,并且它具有高效的 256 位加载/存储。
Bulldozer 和 Zen 在内部将 256 位指令拆分为两个 128 位,因此运行两倍的 XMM 指令实际上可以更快,特别是如果您的数据并不总是按 32 对齐。或者当标量序言/尾声开销相关时. 如果您使用的是 AMD CPU,绝对可以对两种方式进行基准测试。或者实际上对于任何 CPU 这都不是一个坏主意。
同样在这种情况下,gcc 没有意识到它应该使用整数的 XMM 向量和双精度的 YMM 向量。(Clang 和 ICC 在适当的时候更擅长混合不同的向量宽度)。相反,它每次都提取 YMM 整数向量的高 128 位。所以128 位向量化有时会获胜的一个原因是,有时 gcc 在进行 256 位向量化时会自责。 (gcc 的自动矢量化通常对于宽度不同的类型很笨拙。)
使用-march=znver1 -mno-prefer-avx128
,gcc8.1 使用两个 128 位半部分存储到内存,因为它不知道目标是否是 32 字节对齐的(https://godbolt.org/g/A66Egm)。 tune=znver1
套-mavx256-split-unaligned-store
。你可以用 覆盖它-mno-avx256-split-unaligned-store
,例如,如果你的数组通常是对齐的,但你没有给编译器足够的信息。
推荐阅读
- c - 运行 C 代码时收到一条消息 free(): invalid pointer,
- c++ - 卷曲 CURLOPT_PROXY 连接没有代理,它忽略代理
- javascript - 如何在 VScode 中使用带有别名的“转到路径”
- python - 用python遍历一个二维数组
- c++ - 检查字符串是否包含子字符串 C++
- python - 如何在for循环后使返回输出打印一次
- python - Iterable-Unpack 导致稍后的函数调用无法正常工作
- xml - 请求在本地笔记本上工作,但在云笔记本上返回 403
- python - 如何在 python 中使用 opencv 防止分段错误
- sqlite - 尽管受到互斥锁保护,SQLite 更新失败并显示“数据库已锁定”