<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
AVX2是SIMD(單指令多資料流)指令集,支援在一個指令週期內同時對256位記憶體進行操作。包含乘法,加法,位運算等功能。下附Intel官網使用檔案。
我們本次要用到的指令有 **__m256 _mm256_mul_ps(__m256 a, __m256 b), __m256d_mm256_mul_pd(__m256d a, __m256d b)**等,(p代表精度precision,s代表single,d代表double)
它們可以一次取256位的記憶體,並按32/64位元一個浮點進行乘法運算。下附官網描述。
__m256d _mm256_mul_pd (__m256d a, __m256d b)
#include <immintrin.h>
Instruction: vmulpd ymm, ymm, ymm
CPUID Flags: AVX
Multiply packed double-precision (64-bit) floating-point elements in a and b, and store the results in dst.
FOR j := 0 to 3 i := j*64 dst[i+63:i] := a[i+63:i] * b[i+63:i] ENDFOR dst[MAX:256] := 0
Architecture | Latency | Throughput (CPI) |
---|---|---|
Icelake | 4 | 0.5 |
Skylake | 4 | 0.5 |
Broadwell | 3 | 0.5 |
Haswell | 5 | 0.5 |
Ivy Bridge | 5 | 1 |
為了比較結果,我們用1+1e-8填充。這裡利用模版相容不同資料型別。由於AVX2指令集一次要操作多個資料,為了防止訪存越界,我們將大小擴充套件到256的整數倍位位元,也就是32位元組的整數倍。
uint64_t lowbit(uint64_t x) { return x & (-x); } uint64_t extTo2Power(uint64_t n, int i)//arraysize datasize { while(lowbit(n) < i) n += lowbit(n); return n; }
template <typename T> T* getArray(uint64_t size) { uint64_t ExSize = extTo2Power(size, 32/sizeof(T)); T* arr = new T[ExSize]; for (uint64_t i = 0; i < size; i++) arr[i] = 1.0+1e-8; for (uint64_t i = size; i < ExSize; i++) arr[i] = 1.0; return arr; } }
為了比較效能差異,我們先實現一份普通連乘。這裡也使用模版。
template <typename T> T simpleProduct(T* arr, uint64_t size) { T product = 1; for (uint64_t i = 0; i < size; i++) product *= arr[i]; return product; }
這裡我們預開一個avx2的整形變數,每次從陣列中取8個32位元浮點,乘到這個變數上,最後在對這8個32位元浮點進行連乘。
float avx2Product(float* arr, uint64_t size) { float product[8] = {1}; __m256 product256 = _mm256_setr_ps(1, 1, 1, 1, 1, 1, 1, 1); __m256 load256 = _mm256_setzero_ps(); for (uint64_t i = 0; i < size; i += 8) { load256 = _mm256_loadu_ps(&arr[i]); product256 = _mm256_mul_ps(product256, load256); } _mm256_storeu_ps(product, product256); product[0] *= product[1] * product[2] * product[3] * product[4] * product[5] * product[6] * product[7]; return product[0]; }
double avx2Product(double* arr, uint64_t size) { double product[4] = {1}; __m256d product256 = _mm256_setr_pd(1, 1, 1, 1); __m256d load256 = _mm256_setzero_pd(); for (uint64_t i = 0; i < size; i += 4) { load256 = _mm256_loadu_pd(&arr[i]); product256 = _mm256_mul_pd(product256, load256); } _mm256_storeu_pd(product, product256); product[0] *= product[1] * product[2] * product[3]; return product[0]; }
Device | Description |
---|---|
CPU | Intel Core i9-9880H 8-core 2.3GHz |
Memory | DDR4-2400MHz Dual-Channel 32GB |
complier | Apple Clang-1300.0.29.30 |
利用chrono庫獲取系統時鐘計算執行時間,精確到毫秒級
uint64_t getTime() { uint64_t timems = std::chrono::duration_cast<std::chrono::milliseconds>(std::chrono::system_clock::now().time_since_epoch()).count(); return timems; }
uint64_t N = 1e8; // compare the performance of simpleProduct and avx2Product uint64_t start, end; //compare float cout << "compare float product" << endl; float* arr = getArray<float>(N); start = getTime(); float simpleProductResult = simpleProduct(arr, N); end = getTime(); cout << "Simple product: " << simpleProductResult << endl; cout << "Time: " << end - start << " ms" << endl; cout << endl; start = getTime(); float avx2ProductResult = avx2Product(arr, N); end = getTime(); cout << "AVX2 product: " << avx2ProductResult << endl; cout << "Time: " << end - start << " ms" << endl; cout << endl; delete[] arr; //compare double cout << "compare double product" << endl; double* arr2 = getArray<double>(N); start = getTime(); double simpleProductResult2 = simpleProduct(arr2, N); end = getTime(); cout << "Simple product: " << simpleProductResult2 << endl; cout << "Time: " << end - start << " ms" << endl; cout << endl; start = getTime(); double avx2ProductResult2 = avx2Product(arr2, N); end = getTime(); cout << "AVX2 product: " << avx2ProductResult2 << endl; cout << "Time: " << end - start << " ms" << endl; cout << endl; delete[] arr2;
測試命令
g++ -mavx2 avx_product.cpp ./a.out
測試結果 方法耗時(ms)AVX2乘法 單精度57普通乘法 單精度232AVX2乘法 雙精度121普通乘法 雙精度243
這裡能看到單精度下已經出現了比較明顯的誤差,同時由於CPU內部沒有普通的單精度浮點運算器,所以單精度運算和雙精度耗時所差無幾。
測試命令
現在我們再開啟O2編譯優化試一試:
g++ -O2 -mavx2 avx_product.cpp ./a.out
測試結果
方法 | 耗時(ms) |
---|---|
AVX2乘法 單精度 | 19 |
普通乘法 單精度 | 102 |
AVX2乘法 雙精度 | 44 |
普通乘法 雙精度 | 129 |
經過幾次測試,我們可以大概得出,AVX指令集在浮點的運算上有比較高的效能,而整形運算的提升則沒那麼明顯,同時AVX2執行一次運算大致會消耗雙精度運算2倍的時間,所以如果需要運算的資料小於2個,則用AVX2得不到提升。
個人猜測原因:
以上就是AVX2指令集浮點乘法效能分析的詳細內容,更多關於AVX2指令集浮點乘法的資料請關注it145.com其它相關文章!
相關文章
<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
综合看Anker超能充系列的性价比很高,并且与不仅和iPhone12/苹果<em>Mac</em>Book很配,而且适合多设备充电需求的日常使用或差旅场景,不管是安卓还是Switch同样也能用得上它,希望这次分享能给准备购入充电器的小伙伴们有所
2021-06-01 09:31:42
除了L4WUDU与吴亦凡已经多次共事,成为了明面上的厂牌成员,吴亦凡还曾带领20XXCLUB全队参加2020年的一场音乐节,这也是20XXCLUB首次全员合照,王嗣尧Turbo、陈彦希Regi、<em>Mac</em> Ova Seas、林渝植等人全部出场。然而让
2021-06-01 09:31:34
目前应用IPFS的机构:1 谷歌<em>浏览器</em>支持IPFS分布式协议 2 万维网 (历史档案博物馆)数据库 3 火狐<em>浏览器</em>支持 IPFS分布式协议 4 EOS 等数字货币数据存储 5 美国国会图书馆,历史资料永久保存在 IPFS 6 加
2021-06-01 09:31:24
开拓者的车机是兼容苹果和<em>安卓</em>,虽然我不怎么用,但确实兼顾了我家人的很多需求:副驾的门板还配有解锁开关,有的时候老婆开车,下车的时候偶尔会忘记解锁,我在副驾驶可以自己开门:第二排设计很好,不仅配置了一个很大的
2021-06-01 09:30:48
不仅是<em>安卓</em>手机,苹果手机的降价力度也是前所未有了,iPhone12也“跳水价”了,发布价是6799元,如今已经跌至5308元,降价幅度超过1400元,最新定价确认了。iPhone12是苹果首款5G手机,同时也是全球首款5nm芯片的智能机,它
2021-06-01 09:30:45