libsimdpp 较慢，然后调试 gcc

Question

我需要arm和x86之间的跨平台SIMD指令。所以我找到了一个名为libsimdpp的库并运行了这个示例。

我稍微更改了一下，以将其与添加两个数组的标准cpp方法进行比较，但是libSimd示例的性能总是更差。

后果

• 23毫秒-libSimd
• 1毫秒-正常cpp添加

是我使用图书馆的方式有问题，还是它的建造方式有问题。

我对示例所做的更改。

https://pastebin.com/L14DCrky

#define SIMDPP_ARCH_X86_SSE4_1 true
#include <simdpp/simd.h>
#include <iostream>
#include <chrono>
//example where i got this from
//https://github.com/p12tic/libsimdpp/tree/2e5c0464a8069310d7eb3048e1afa0e96e08f344

// Initializes vector to store values
void init_vector(float* a, float* b, size_t size) {
    for (int i=0; i<size; i++) {
        a[i] = i * 1.0;
        b[i] = (size * 1.0) - i - 1;
    }
}



using namespace simdpp;
int main() {
    //1048576
    const unsigned long SIZE = 4 * 150000;

    float vec_a[SIZE];
    float vec_b[SIZE];
    float result[SIZE];

    ///////////////////////////*/
    //LibSIMDpp
    //*
    auto t1 = std::chrono::high_resolution_clock::now();

    init_vector(vec_a, vec_b, SIZE);
    for (int i=0; i<SIZE; i+=4) {
        float32<4> xmmA = load(vec_a + i);  //loads 4 floats into xmmA
        float32<4> xmmB = load(vec_b + i);  //loads 4 floats into xmmB
        float32<4> xmmC = add(xmmA, xmmB);  //Vector add of xmmA and xmmB
        store(result + i, xmmC);            //Store result into the vector
    }

    auto t2 = std::chrono::high_resolution_clock::now();

    std::cout << std::chrono::duration_cast<std::chrono::milliseconds>(t2-t1).count()
              << " milliseconds\n";
    //*/


    ///////////////////////////*/
    //standard
    //*
    init_vector(vec_a, vec_b, SIZE);
    t1 = std::chrono::high_resolution_clock::now();

    for (auto i = 0; i < SIZE; i++) {
        result[i] = vec_a[i]  + vec_b[i];
    }

    t2 = std::chrono::high_resolution_clock::now();

    std::cout << std::chrono::duration_cast<std::chrono::milliseconds>(t2-t1).count()
              << " milliseconds\n";
    //*/


    int i = 0;
    return 0;
}

Answer 1

即使您直接使用_mm_add_psintrinsic，调试构建减慢手动矢量化代码的速度也比减慢标量的速度慢，这是正常的。（通常是因为您倾向于使用更多单独的语句，而调试代码gen会分别编译每个语句。）

您正在使用一个C包装器库，所以在调试模式下，这是一个重要的额外层，因为您告诉编译器不要这样做，所以不会优化掉。所以这并不奇怪，它会减慢很多，以至于比标量更糟糕。请参阅为什么这个C包装器类没有被内联？例如。（即使__attribute__（（always_inline））对性能也没有太大帮助；传递args仍然会导致重新加载/存储以制作另一个副本）。

不要对调试版本进行基准测试，它毫无用处，并且很少告诉您有关-O3性能的信息。（您可能还想使用-O3-mar=native-ffast-ath，具体取决于您的用例。）