Qual é a velocidade-up máxima teórica devido à SSE para uma subtração binária simples?

Question

Na tentativa de descobrir se ou não loop interno do meu código está batendo uma barreira design de hardware ou de uma falta de compreensão sobre a minha barreira parte. Há um pouco mais do que isso, mas a questão mais simples que posso vir acima com a resposta é a seguinte:

Se eu tenho o seguinte código:

float px[32768],py[32768],pz[32768];
float xref, yref, zref, deltax, deltay, deltaz;

initialize_with_random(px);
initialize_with_random(py);
initialize_with_random(pz);

for(i=0;i<32768-1;i++) {
  xref=px[i];
  yref=py[i];
  zref=pz[i];
  for(j=0;j<32768-1;j++ {
    deltx=xref-px[j];
    delty=yref-py[j];
    deltz=zref-pz[j];
  } }

Que tipo de velocidade máxima teórica se eu seria capaz de ver, indo para instruções SSE em uma situação onde eu tenho o controle completo sobre o código (montagem, intrínsecos, qualquer que seja), mas nenhum controle sobre o ambiente de tempo de execução diferente de arquitetura (ou seja, é um ambiente multi-usuário, então não posso fazer nada sobre como o cessionários de kernel oS tempo para o meu processo particular).

Agora eu estou vendo uma velocidade até de 3x com meu código, quando eu teria pensado usando SSE me daria muito mais profundidade do que o vector 3x velocidade até está indicando (presumivelmente o 3x velocidade até me diz que eu tenho um máxima 4x rendimento teórico). (Eu tentei coisas como deixar deltx / delty / deltz ser matrizes no caso o compilador não foi suficiente inteligente para auto-promover-los, mas eu ainda ver apenas 3x acelerar.) Eu estou usando o compilador Intel C com as bandeiras apropriadas do compilador para vetorização, mas não intrínsecos obviamente.

Answer 1

Depende da CPU. Mas o máximo teórico não vai ficar acima de 4x. Eu não sei de uma CPU que pode executar mais de uma instrução SSE por ciclo de clock, o que significa que ele pode , no máximo, de computação 4 valores por ciclo.

A maioria CPU pode fazer , pelo menos um flutuante instrução escalar ponto por ciclo, por isso, neste caso, você veria um máximo teórico de uma 4x aceleração.

Mas você vai ter que olhar para cima a instrução específica de transferência para a CPU que está sendo executado.

A aceleração prática de 3x é bom muito embora.

Answer 2

Eu acho que você provavelmente teria que intercalam o loop interno de alguma forma. O vetor de 3 componentes está sendo feito de uma só vez, mas isso é apenas 3 operações ao mesmo tempo. Para chegar a 4, você faria 3 componentes do primeiro vector, e 1 a partir da próxima, em seguida, 2 e 2, e assim por diante. Se você estabeleceu algum tipo de fila que carrega e processa os dados 4 componentes de cada vez, então separá-lo depois, que o trabalho poder.

Editar: Pode-se desenrole o loop interno para fazer 4 vectores por iteração (assumindo que o tamanho da matriz é sempre um múltiplo de 4). Isso iria realizar o que eu disse acima.

Answer 3

Considere: Qual a largura um float? Quão grande é a instrução SSEx? A relação deve deve dar-lhe algum tipo de razoável limite superior.

Também é importante notar que out-of-order tubos jogar havok com a obtenção de estimativas boas da aceleração.

Answer 4

Você deve considerar laço azulejos - do jeito que você está acessando valores no circuito interno é provavelmente causando muita surra no cache de dados L1. Não é muito ruim, porque tudo o que provavelmente ainda se encaixa na L2 em 384 KB, mas não é facilmente uma ordem de diferença de magnitude entre um acerto de cache L1 e um acerto de cache L2, assim que este poderia fazer uma grande diferença para você.