очень медленная программа с использованием инструкций AVX

Question

Я пытаюсь написать геометрический средний sqrt (a * b) с использованием встроенных AVX-функций, но он работает медленнее, чем меласса!

int main() 
{ 
    int count = 0; 
    for (int i = 0; i < 100000000; ++i) 
    { 
    __m128i v8n_a = _mm_set1_epi16((++count) % 16), 
      v8n_b = _mm_set1_epi16((++count) % 16); 
    __m128i v8n_0 = _mm_set1_epi16(0); 
    __m256i temp1, temp2; 
    __m256 v8f_a = _mm256_cvtepi32_ps(temp1 = _mm256_insertf128_si256(_mm256_castsi128_si256(_mm_unpacklo_epi16(v8n_a, v8n_0)), _mm_unpackhi_epi16(v8n_a, v8n_0), 1)), 
    v8f_b = _mm256_cvtepi32_ps(temp2 = _mm256_insertf128_si256(_mm256_castsi128_si256(_mm_unpacklo_epi16(v8n_b, v8n_0)), _mm_unpackhi_epi16(v8n_b, v8n_0), 1)); 
    __m256i v8n_meanInt32 = _mm256_cvtps_epi32(_mm256_sqrt_ps(_mm256_mul_ps(v8f_a, v8f_b))); 
    __m128i v4n_meanLo = _mm256_castsi256_si128(v8n_meanInt32), 
     v4n_meanHi = _mm256_extractf128_si256(v8n_meanInt32, 1); 
    g_data[i % 8] = v4n_meanLo; 
    g_data[(i + 1) % 8] = v4n_meanHi; 
    } 
    return 0; 
} 

Ключ к этой тайне, что я использую Intel ICC 11, и это только замедлит при компиляции с МЦМИ -O3 sqrt.cpp. Если я скомпилирую с icc-O3 -xavx sqrt.cpp, он будет работать в 10 раз быстрее.

Но это не очевидно, если есть эмуляция происходит потому, что я использовал счетчики производительности и количество выполняемых инструкций для обеих версий составляет примерно 4G:

Performance counter stats for 'a.out': 

    16867.119538 task-clock    # 0.999 CPUs utilized 
      37 context-switches   # 0.000 M/sec 
      8 CPU-migrations   # 0.000 M/sec 
      281 page-faults    # 0.000 M/sec 
35,463,758,996 cycles     # 2.103 GHz 
23,690,669,417 stalled-cycles-frontend # 66.80% frontend cycles idle 
20,846,452,415 stalled-cycles-backend # 58.78% backend cycles idle 
4,023,012,964 instructions    # 0.11 insns per cycle 
             # 5.89 stalled cycles per insn 
    304,385,109 branches     # 18.046 M/sec 
     42,636 branch-misses    # 0.01% of all branches 

    16.891160582 seconds time elapsed 

------------- ---------------------- с -xavx ------------------------- ---------------

Performance counter stats for 'a.out': 

    1288.423505 task-clock    # 0.996 CPUs utilized 
      3 context-switches   # 0.000 M/sec 
      2 CPU-migrations   # 0.000 M/sec 
      279 page-faults    # 0.000 M/sec 
2,708,906,702 cycles     # 2.102 GHz 
1,608,134,568 stalled-cycles-frontend # 59.36% frontend cycles idle 
    798,177,722 stalled-cycles-backend # 29.46% backend cycles idle 
3,803,270,546 instructions    # 1.40 insns per cycle 
             # 0.42 stalled cycles per insn 
    300,601,809 branches     # 233.310 M/sec 
     15,167 branch-misses    # 0.01% of all branches 

    1.293986790 seconds time elapsed 

Есть ли какой-то процессор внутренней эмуляции? Я знаю, что денормальные числа добавляются в 64 раза медленнее, чем обычно.

Answer 1

Вам необходимо vzeroupper при смешивании векторных инструкций VEX и non-VEX. В противном случае вы получите огромные киоски на оборудовании Intel.