VC ++ SSE intrinseca stranezza ottimizzazione
-
18-09-2019 - |
Domanda
sto eseguendo una lettura sparsa dei dati a 8 bit da un file (De-Interleaving un file wave a 64 canali). Sto combinando poi loro di essere un unico flusso di byte. Il problema che sto avendo è con la mia ricostruzione dei dati di scrivere.
Fondamentalmente sto leggendo in 16 byte e quindi la loro costruzione in una singola variabile __m128i e quindi utilizzando _mm_stream_ps scrivere il valore indietro alla memoria. Tuttavia ho qualche risultato prestazioni dispari.
Nel mio primo schema io uso il _mm_set_epi8 intrinseca per impostare il mio __m128i come segue:
const __m128i packedSamples = _mm_set_epi8( sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8,
sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 );
In sostanza Lascio tutto fino al compilatore di decidere come ottimizzare per dargli le migliori prestazioni. Questo dà peggiore performance. Il mio test viene eseguito in ~ 0.195 secondi.
In secondo luogo ho cercato di fondere verso il basso utilizzando 4 _mm_set_epi32 istruzioni e poi li imballaggio verso il basso:
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 );
Questo fa migliorare le prestazioni un po '. La mia prova ora gira in ~ 0,15 secondi. Sembra contro-intuitivo che le prestazioni migliorerebbe facendo questo come Suppongo che questo è esattamente ciò che sta facendo _mm_set_epi8 comunque ...
Il mio ultimo tentativo è stato quello di usare un po 'di codice che ho da fare quattro CC alla vecchia maniera (con turni e ORS) e poi metterli in un __m128i utilizzando un unico _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 );
In questo modo le prestazioni ancora migliori. Prendendo ~ 0,135 secondi per eseguire la mia prova. Sto davvero iniziando a confondersi.
Così ho provato un semplice sistema di byte di lettura e scrittura di byte e che è sempre così leggermente più veloce, anche l'ultimo metodo.
Allora, cosa sta succedendo? Questo sembra tutto contro-intuitivo per me.
ho considerato l'idea che i ritardi sono verificano sulle _mm_stream_ps perché sto fornendo dati troppo rapidamente, ma poi avrei per ottenere esattamente gli stessi risultati fuori tutto quello che faccio. E 'possibile che i primi 2 metodi fanno sì che i 16 carichi non possano ottenere distribuito attraverso il ciclo di nascondere la latenza? Se è così perché è questo? Sicuramente un intrinseco permette al compilatore di fare ottimizzazioni come e dove vuole .. Ho pensato che era il punto ... Anche sicuramente eseguendo 16 letture e scritture 16 sarà molto più lento di 16 letture e scrittura 1 con un gruppo di SSE giocoleria istruzioni ... Dopo tutta la sua la lettura e scrittura che sono il po 'lento!
Chiunque con tutte le idee che cosa sta succedendo sarà molto apprezzato! : D
Edit: A seguito della commento qui sotto ho smesso di pre-caricamento dei byte come costanti e changedit a questo:
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 );
e questo miglioramento delle prestazioni per ~ 0,143 secondi. Sitll non buono come l'attuazione diritta C ...
Modifica Again: La migliore performance sto ottenendo finora è
// 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 );
Questo mi dà la lavorazione in ~ 0,095 secondi che è notevolmente migliore. Io non sembrano essere in grado di avvicinarsi con SSE però ... Sono ancora confuso da questo, ma .. indifferente.
Soluzione
Forse il compilatore sta cercando di mettere tutti gli argomenti alla intrinseca in registri in una sola volta. Non si desidera accedere che molte variabili in una sola volta senza di loro organizzazione.
Piuttosto che dichiarare un identificatore separato per ogni campione, provare a metterli in un char[16]
. Il compilatore promuoverà i 16 valori ai registri come meglio ritiene opportuno, a patto che non si prende l'indirizzo di qualsiasi cosa all'interno della matrice. È possibile aggiungere un tag __aligned__
(o qualsiasi altra cosa usi VC ++) e forse evitare l'intrinseca del tutto. In caso contrario, chiamando il intrinseco con ( sample[15], sample[14], sample[13] … sample[0] )
dovrebbe rendere il lavoro del compilatore più facile o almeno non nuocere.
Modifica sono abbastanza sicuro che si sta combattendo una fuoriuscita registro, ma che suggerimento sarà probabilmente solo memorizzare i byte singolarmente, che non è quello che si desidera. Penso che il mio consiglio è di alternare il tuo ultimo tentativo (usando MakeFourCC) con le operazioni di lettura, per assicurarsi che sia pianificato in modo corretto e senza andata e ritorno allo stack. Naturalmente, l'ispezione del codice oggetto è il modo migliore per garantire che.
In sostanza, si sta streaming di dati nel file di registro e quindi lo streaming di nuovo fuori. Non si vuole sovraccaricare prima è il momento di svuotare i dati.
Altri suggerimenti
VS è notoriamente male ad ottimizzare intrinseche. Soprattutto trasferire dati da e ai registri SSE. I intrinseci si sono utilizzati abbastanza bene però ....
Quello che si vede è che si sta cercando di riempire lo SSE registrare con questo mostro:
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
Questo funziona molto meglio e (dovrebbe) facilmente essere più veloce:
__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 );
costruire il mio banco di prova:
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 );
}
Per me prova 2 è più veloce di prova 1.
Ho fatto qualcosa di sbagliato? Non è questo il codice che si sta utilizzando? Cosa mi manca? E 'questo solo per me?
Utilizzando ottimizzazioni intrinseche pause del compilatore!
Lo scopo delle funzioni intrinseche inserirà opcode compilatore non conosce nel flusso di codici operativi compilatore sa circa e ha generato. A meno che il compilatore è dato alcuni metadati sul codice operativo e come influenza i registri e la memoria, il compilatore non può assumere che i dati è conservato dopo l'esecuzione del intrinseco. Questo fa male davvero la parte ottimizzazione del compilatore -. Non può riordinare istruzioni intorno al intrinseca, non può assumere registri sono inalterata e così via
Credo che il modo migliore per ottimizzare questo è quello di guardare il quadro più ampio - è necessario considerare l'intero processo, dalla lettura dei dati di origine per scrivere l'output finale. ottimizzazioni Micro raramente danno grandi risultati, a meno che non si sta facendo qualcosa di veramente male per cominciare.
Forse, se si dettaglio l'input e l'output desiderato qualcuno qui potrebbe suggerire un metodo ottimale per gestire la cosa.