如何使用GCC获得更好的矢量化？

Question

请考虑执行相同计算的以下三个功能：

#include <x86intrin.h>

void testfunc_loop(double a, double b, double* dst)
{
    double f[] = {a,b,-a,-b};

    for(int n = 0; n < 4; ++n)
    {
        dst[n] = 0.1 + f[n]*(1.0 + 0.5*f[n]);
    }
}

void testfunc_flat(double a, double b, double* dst)
{
    dst[0] = 0.1 + ( a)*(1.0 + 0.5*( a));
    dst[1] = 0.1 + ( b)*(1.0 + 0.5*( b));
    dst[2] = 0.1 + (-a)*(1.0 + 0.5*(-a));
    dst[3] = 0.1 + (-b)*(1.0 + 0.5*(-b));
}

void testfunc_avx(double a, double b, double* dst)
{
    __m256d one      = _mm256_set1_pd(1.0);
    __m256d half     = _mm256_set1_pd(0.5);
    __m256d tenth    = _mm256_set1_pd(0.1);

    __m256d v = _mm256_set_pd(-b,-a,b,a);

    __m256d q = _mm256_add_pd(tenth,_mm256_mul_pd(v,_mm256_add_pd(one,_mm256_mul_pd(half,v))));

    _mm256_store_pd(dst,q);
}

GCC 4.7.2（带有-O3 -mavx）对循环版本进行矢量化处理，但对展开的循环使用标量运算。三种版本的（标准化）时间分别为3.3（循环，自动矢量化），1.2（展开，标量），1（手动avx）。展开版本和手动矢量化功能之间的性能差异很小，但是我想强制矢量化，因为它在完整代码中很有用。

使用不同的编译器进行测试（请参阅https://godbolt.org/g/HJH2CX）显示，clang自动对展开的循环进行矢量化处理（从3.4.1版开始），而GCC直到7版都没有。我可以使用GCC自动获得类似的矢量化吗？我只发现与循环矢量化有关的优化选项没有帮助。自2011年以来，海湾合作委员会网站没有任何新闻。

Answer 1

gcc通常不会向量化单个向量的东西。我已经Point{ double x,y; }在现有代码库（Endless Sky）中看到了类似的缺少自动矢量化的类。

因此，如果需要x86内联到快速代码，则可能必须手动对其进行矢量化处理。（您也可以考虑传递__m256d值而不是存储到数组。）

顺便说一句，手动矢量化版本可能会更快。我在Godbolt上玩过它，发现它_mm256_set_pd(-b,-a, b,a)正在编译为愚蠢的代码，因此手动进行处理会更高效。另外，如果没有可用的FMA，则可以通过重构表达式来减少延迟。（允许0.1-/ + a与平方同时发生）。 代码+汇编在这里

// 0.1 + a  + 0.5*a*a   =  0.1 +   a  * (1.0 + 0.5*a)
//     + b
// 0.1 - a  + 0.5*a*a   =  0.1 + (-a) * (1.0 - 0.5*a)
//     - b

// only one of the mul+add pairs can fuse into an FMA
// but 0.1+/-a happens in parallel with 0.5*a*a, so it's lower latency without FMA
void testfunc_latency_without_fma(double a, double b, double* dst)
{
  // 6 AVX instructions other than the store:
  // 2 shuffles, 1 mul, 1 FMA, 1 add.  1 xor.  In theory could run one iteration per 2 clocks
    __m256d abab       = _mm256_setr_pd(a, b, a, b);    // 1c + 3c latency (unpck + vinsertf128)
    __m256d sq256      = _mm256_mul_pd(abab, abab);     // 5c
    const __m256d half = _mm256_set1_pd(0.5);
    __m256d sq_half256 = _mm256_mul_pd(sq256, half);    // 5c: dependency chain 1 ready in 14c from a and b being ready

    // we could use a smaller constant if we do _mm256_setr_m128d(ab, xor(ab, set1(-0.))
    // but that takes an extra vinsertf128 and this part isn't the critical path.
    const __m256d upper_signmask = _mm256_setr_pd(0. ,0. ,-0. ,-0.);
    __m256d ab_negab = _mm256_xor_pd(abab, upper_signmask); // chain2: 1c from abab

    const __m256d tenth   = _mm256_set1_pd(0.1);
    __m256d tenth_plusminus_ab = _mm256_add_pd(tenth, ab_negab); // chain2: 3c (ready way ahead of squared result)

    __m256d result = _mm256_add_pd(tenth_plusminus_ab, sq_half256);  // fuses with the sq_half
    _mm256_store_pd(dst, result);
}

IDK为什么测试时自动向量化的循环如此慢？它确实将标量存储到数组中，然后进行向量加载，导致〜11个周期的存储转发停顿。因此它的延迟要比其他两种方法高得多，但是IDK是否会影响吞吐量。IDK您的测试方式如何；也许您将一个呼叫的结果用作下一个呼叫的输入？还是在相同堆栈空间的同一块上重复进行存储转发停滞是一个问题？

通常，对于较大的数组，gcc确实喜欢将指针对齐。它生成巨大的完全展开的标量内/外代码以到达对齐的指针，然后使用对齐的存储/加载。

这对于现代CPU并没有多大帮助（但通常也不会造成太大的伤害），尤其是对于通常在运行时对齐的数据，但是如果数据通常是未对齐的或在Nehalem之前运行的话，则可能会很好中央处理器。

IDK是否与gcc不愿自动矢量化小事物有关，但告诉它double*对齐似乎并没有帮助。

我认为问题的部分原因在于，它不能很好地插入洗牌来向量化需要洗牌的代码。