VC ++ SSE intrínseca rareza optimización
-
18-09-2019 - |
Pregunta
estoy realizando una lectura dispersa de datos de 8 bits desde un archivo (De-entrelazar un archivo de onda 64 canales). entonces estoy combinándolos para ser un único flujo de bytes. El problema que estoy teniendo es con mi reconstrucción de los datos para escribir.
Básicamente estoy leyendo en 16 bytes y luego la construcción de ellos en una sola variable __m128i y luego usando _mm_stream_ps para escribir el valor de vuelta a la memoria. Sin embargo tengo algunos resultados de rendimiento impares.
En mi primer esquema utilizo el _mm_set_epi8 intrínseca para establecer mi __m128i de la siguiente manera:
const __m128i packedSamples = _mm_set_epi8( sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8,
sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 );
Básicamente lo dejo todo para el compilador de decidir cómo optimizarlo para dar el mejor rendimiento. Esto proporciona un rendimiento peor. MI prueba se ejecuta en ~ 0.195 segundos.
En segundo lugar me trataron de fusionar hacia abajo mediante el uso de 4 _mm_set_epi32 instrucciones de embalaje y luego hacia abajo:
const __m128i samples0 = _mm_set_epi32( sample3, sample2, sample1, sample0 );
const __m128i samples1 = _mm_set_epi32( sample7, sample6, sample5, sample4 );
const __m128i samples2 = _mm_set_epi32( sample11, sample10, sample9, sample8 );
const __m128i samples3 = _mm_set_epi32( sample15, sample14, sample13, sample12 );
const __m128i packedSamples0 = _mm_packs_epi32( samples0, samples1 );
const __m128i packedSamples1 = _mm_packs_epi32( samples2, samples3 );
const __m128i packedSamples = _mm_packus_epi16( packedSamples0, packedSamples1 );
Esto mejora el rendimiento un poco. Mi prueba ahora se ejecuta en ~ 0,15 segundos. Parece contrario a la intuición de que el rendimiento mejoraría al hacer esto como supongo que esto es exactamente lo que está haciendo _mm_set_epi8 de todos modos ...
Mi último intento fue utilizar un poco de código que tengo de hacer cuatro CC de la manera antigua (con los cambios y ORS) y luego ponerlos en un __m128i utilizando un único _mm_set_epi32.
const GCui32 samples0 = MakeFourCC( sample0, sample1, sample2, sample3 );
const GCui32 samples1 = MakeFourCC( sample4, sample5, sample6, sample7 );
const GCui32 samples2 = MakeFourCC( sample8, sample9, sample10, sample11 );
const GCui32 samples3 = MakeFourCC( sample12, sample13, sample14, sample15 );
const __m128i packedSamples = _mm_set_epi32( samples3, samples2, samples1, samples0 );
Esto proporciona un rendimiento aún mejor. Tomando ~ 0,135 segundos para ejecutar mi prueba. Realmente estoy empezando a confundirse.
Así que he intentado un simple sistema de escritura de bytes de bytes de lectura y que es siempre tan ligeramente más rápido que incluso el último método.
Entonces, ¿qué está pasando? Todo esto parece contrario a la intuición para mí.
He considerado la idea de que los retrasos se están produciendo en los _mm_stream_ps porque estoy suministro de datos demasiado rápido, pero luego lo haría para obtener exactamente los mismos resultados a cabo todo lo que hago. ¿Es posible que los 2 primeros métodos significan que las cargas no puedan 16 se distribuyen a través del lazo para ocultar la latencia? Si es así ¿por qué es esto? Sin duda, una intrínseca permite al compilador para hacer optimizaciones como y donde le plazca .. pensé que era el punto ... También seguramente realizando 16 operaciones de lectura y escritura 16 será mucho más lento que 16 operaciones de lectura y escritura 1 con un grupo de malabares SSE instrucciones ... Después de todo su la lecturas y escrituras que son el poco lento!
Cualquier persona con cualquier idea que hay de nuevo será muy apreciada! : D
Editar: En relación con el comentario a continuación dejé de pre-carga de los bytes como constantes y changedit a esto:
const __m128i samples0 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples1 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples2 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples3 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i packedSamples0 = _mm_packs_epi32( samples0, samples1 );
const __m128i packedSamples1 = _mm_packs_epi32( samples2, samples3 );
const __m128i packedSamples = _mm_packus_epi16( packedSamples0, packedSamples1 );
y esto mejora el rendimiento de ~ 0,143 segundos. Sitll no tan buena como la implementación en C recta ...
Editar Una vez más: La mejor actuación que estoy haciendo hasta ahora es
// Load the samples.
const GCui8 sample0 = *(pSamples + channelStep0);
const GCui8 sample1 = *(pSamples + channelStep1);
const GCui8 sample2 = *(pSamples + channelStep2);
const GCui8 sample3 = *(pSamples + channelStep3);
const GCui32 samples0 = Build32( sample0, sample1, sample2, sample3 );
pSamples += channelStep4;
const GCui8 sample4 = *(pSamples + channelStep0);
const GCui8 sample5 = *(pSamples + channelStep1);
const GCui8 sample6 = *(pSamples + channelStep2);
const GCui8 sample7 = *(pSamples + channelStep3);
const GCui32 samples1 = Build32( sample4, sample5, sample6, sample7 );
pSamples += channelStep4;
// Load the samples.
const GCui8 sample8 = *(pSamples + channelStep0);
const GCui8 sample9 = *(pSamples + channelStep1);
const GCui8 sample10 = *(pSamples + channelStep2);
const GCui8 sample11 = *(pSamples + channelStep3);
const GCui32 samples2 = Build32( sample8, sample9, sample10, sample11 );
pSamples += channelStep4;
const GCui8 sample12 = *(pSamples + channelStep0);
const GCui8 sample13 = *(pSamples + channelStep1);
const GCui8 sample14 = *(pSamples + channelStep2);
const GCui8 sample15 = *(pSamples + channelStep3);
const GCui32 samples3 = Build32( sample12, sample13, sample14, sample15 );
pSamples += channelStep4;
const __m128i packedSamples = _mm_set_epi32( samples3, samples2, samples1, samples0 );
_mm_stream_ps( pWrite + 0, *(__m128*)&packedSamples );
Esto me da el procesamiento de ~ 0.095 segundos, que es considerablemente mejor. Yo no parece ser capaz de acercarse con SSE aunque ... Todavía estoy confundido por eso, pero .. ho hum.
Solución
Tal vez el compilador está tratando de poner todos los argumentos de la intrínseca en los registros a la vez. Usted no quiere acceder a que muchas variables a la vez sin la organización de ellos.
En lugar de declarar un identificador separado para cada muestra, tratar de ponerlos en un char[16]
. El compilador promoverá los 16 valores a los registros que estime conveniente, siempre y cuando usted no toma la dirección de cualquier cosa dentro de la matriz. Se puede añadir una etiqueta __aligned__
(o lo que sea usos VC ++) y tal vez evitar la intrínseca por completo. De lo contrario, llamando a la intrínseca con ( sample[15], sample[14], sample[13] … sample[0] )
debe hacer el trabajo del compilador más fácil o al menos no hacer daño.
Editar Estoy bastante seguro de que está luchando contra un derrame de registro, pero esa sugerencia probablemente apenas almacenar los bytes de forma individual, que no es lo que desea. Creo que mi consejo es que intercalar de su último intento (usando MakeFourCC) con las operaciones de lectura, para asegurarse de que está programado correctamente y sin viajes de ida y vuelta a la pila. Por supuesto, la inspección de código objeto es la mejor manera de asegurar que.
En esencia, se está transmitiendo datos en el archivo de registro y luego streaming de vuelta. Usted no quiere sobrecargar antes de que sea tiempo para vaciar los datos.
Otros consejos
VS es notablemente malos para la optimización de los intrínsecos. Especialmente mover datos desde y hacia los registros de la ESS. Las características intrínsecas sí se utilizan bastante bien sin embargo ....
Lo que se ve es que se trata de llenar la ESS se registra en este monstruo:
00AA100C movzx ecx,byte ptr [esp+0Fh]
00AA1011 movzx edx,byte ptr [esp+0Fh]
00AA1016 movzx eax,byte ptr [esp+0Fh]
00AA101B movd xmm0,eax
00AA101F movzx eax,byte ptr [esp+0Fh]
00AA1024 movd xmm2,edx
00AA1028 movzx edx,byte ptr [esp+0Fh]
00AA102D movd xmm1,ecx
00AA1031 movzx ecx,byte ptr [esp+0Fh]
00AA1036 movd xmm4,ecx
00AA103A movzx ecx,byte ptr [esp+0Fh]
00AA103F movd xmm5,edx
00AA1043 movzx edx,byte ptr [esp+0Fh]
00AA1048 movd xmm3,eax
00AA104C movzx eax,byte ptr [esp+0Fh]
00AA1051 movdqa xmmword ptr [esp+60h],xmm0
00AA1057 movd xmm0,edx
00AA105B movzx edx,byte ptr [esp+0Fh]
00AA1060 movd xmm6,eax
00AA1064 movzx eax,byte ptr [esp+0Fh]
00AA1069 movd xmm7,ecx
00AA106D movzx ecx,byte ptr [esp+0Fh]
00AA1072 movdqa xmmword ptr [esp+20h],xmm4
00AA1078 movdqa xmmword ptr [esp+80h],xmm0
00AA1081 movd xmm4,ecx
00AA1085 movzx ecx,byte ptr [esp+0Fh]
00AA108A movdqa xmmword ptr [esp+70h],xmm2
00AA1090 movd xmm0,eax
00AA1094 movzx eax,byte ptr [esp+0Fh]
00AA1099 movdqa xmmword ptr [esp+10h],xmm4
00AA109F movdqa xmmword ptr [esp+50h],xmm6
00AA10A5 movd xmm2,edx
00AA10A9 movzx edx,byte ptr [esp+0Fh]
00AA10AE movd xmm4,eax
00AA10B2 movzx eax,byte ptr [esp+0Fh]
00AA10B7 movd xmm6,edx
00AA10BB punpcklbw xmm0,xmm1
00AA10BF punpcklbw xmm2,xmm3
00AA10C3 movdqa xmm3,xmmword ptr [esp+80h]
00AA10CC movdqa xmmword ptr [esp+40h],xmm4
00AA10D2 movd xmm4,ecx
00AA10D6 movdqa xmmword ptr [esp+30h],xmm6
00AA10DC movdqa xmm1,xmmword ptr [esp+30h]
00AA10E2 movd xmm6,eax
00AA10E6 punpcklbw xmm4,xmm5
00AA10EA punpcklbw xmm4,xmm0
00AA10EE movdqa xmm0,xmmword ptr [esp+50h]
00AA10F4 punpcklbw xmm1,xmm0
00AA10F8 movdqa xmm0,xmmword ptr [esp+70h]
00AA10FE punpcklbw xmm6,xmm7
00AA1102 punpcklbw xmm6,xmm2
00AA1106 movdqa xmm2,xmmword ptr [esp+10h]
00AA110C punpcklbw xmm2,xmm0
00AA1110 movdqa xmm0,xmmword ptr [esp+20h]
00AA1116 punpcklbw xmm1,xmm2
00AA111A movdqa xmm2,xmmword ptr [esp+40h]
00AA1120 punpcklbw xmm2,xmm0
00AA1124 movdqa xmm0,xmmword ptr [esp+60h]
00AA112A punpcklbw xmm3,xmm0
00AA112E punpcklbw xmm2,xmm3
00AA1132 punpcklbw xmm6,xmm4
00AA1136 punpcklbw xmm1,xmm2
00AA113A punpcklbw xmm6,xmm1
Esto funciona mucho mejor y (debería) ser fácilmente más rápido:
__declspec(align(16)) BYTE arr[16] = { sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8, sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 };
__m128i packedSamples = _mm_load_si128( (__m128i*)arr );
Construir mi propio banco de pruebas:
void f()
{
const int steps = 1000000;
BYTE* pDest = new BYTE[steps*16+16];
pDest += 16 - ((ULONG_PTR)pDest % 16);
BYTE* pSrc = new BYTE[steps*16*16];
const int channelStep0 = 0;
const int channelStep1 = 1;
const int channelStep2 = 2;
const int channelStep3 = 3;
const int channelStep4 = 16;
__int64 freq;
QueryPerformanceFrequency( (LARGE_INTEGER*)&freq );
__int64 start = 0, end;
QueryPerformanceCounter( (LARGE_INTEGER*)&start );
for( int step = 0; step < steps; ++step )
{
__declspec(align(16)) BYTE arr[16];
for( int j = 0; j < 4; ++j )
{
//for( int i = 0; i < 4; ++i )
{
arr[0+j*4] = *(pSrc + channelStep0);
arr[1+j*4] = *(pSrc + channelStep1);
arr[2+j*4] = *(pSrc + channelStep2);
arr[3+j*4] = *(pSrc + channelStep3);
}
pSrc += channelStep4;
}
#if test1
// test 1 with C
for( int i = 0; i < 16; ++i )
{
*(pDest + step * 16 + i) = arr[i];
}
#else
// test 2 with SSE load/store
__m128i packedSamples = _mm_load_si128( (__m128i*)arr );
_mm_stream_si128( ((__m128i*)pDest) + step, packedSamples );
#endif
}
QueryPerformanceCounter( (LARGE_INTEGER*)&end );
printf( "%I64d", (end - start) * 1000 / freq );
}
Para mí la prueba 2 es más rápido que la prueba 1.
Qué hago algo mal? No es este el código que está utilizando? ¿Qué me he perdido? ¿Es sólo para mí?
El uso de optimizaciones del compilador intrínsecos se rompe!
El punto de las funciones intrínsecas es insertar códigos de operación que el compilador no conoce en la corriente de códigos de operación el compilador sabe acerca y ha generado. A menos que el compilador se da algunos metadatos sobre el código de operación y cómo afecta a los registros y la memoria, el compilador no puede asumir que los datos se conserva después de ejecutar la intrínseca. Esto realmente duele la parte optimización del compilador -. No puede cambiar el orden de las instrucciones alrededor del intrínseca, no puede asumir registros no se ven afectadas y así sucesivamente
Creo que la mejor manera de optimizar esto es mirar el cuadro más grande - debe tener en cuenta todo el proceso de la lectura de los datos de origen a la escritura de la salida final. optimizaciones micro rara vez se dan grandes resultados, a menos que usted está haciendo algo muy mal para empezar.
Tal vez, si el detalle requerido alguien entrada y salida de aquí podría sugerir un método óptimo para manejarlo.