英特尔 Nehalem 单线程峰值性能

Question

我正在尝试达到我的Nehalem CPU的单线程FP峰值性能，以检测我的应用程序的性能异常，但似乎无法达到。时钟速度为3.2 GHz，我想在不使用SSE指令和多线程的情况下实现CPU的峰值FP性能。

据我理解，每个时钟周期可以并行执行单精度FP加法和乘法，最大性能可达2 * 3.20 = 6.4 GFLOPS / sec。

然而，我无法通过一个简单的代码段达到这种性能：

int iterations = 1000000;
int flops_per_iteration = 2;
int num_flops = iterations * flops_per_iterations;

for(int i=0; i<iterations; i++)
{
    a[i] = i; 
    b[i] = i*2;
    c[i] = i*3;
}

tick(&start_time);

for(int i = 0; i < iterations; i++){
    a[i] *= b[i];
    c[i] += b[i];
}

time = tock(&start_time);

printf("Performance: %0.4f GFLOPS \n", flops/(time*pow(10,-3)*pow(10,9)));

这段代码的性能为约1.5 GFLOPS，而不是6.4 GFLOPS。有没有其他示例可以接近峰值性能而不使用MT和SSE，或者有任何想法可以改进我的代码？谢谢。*更新：添加了热循环的汇编代码：*

Address Assembly
Block 17:
0x4013a5    movssl  (%rdi,%rax,4), %xmm2
0x4013aa    movssl  (%r8,%rax,4), %xmm0
0x4013b0    movssl  (%rsi,%rax,4), %xmm1
0x4013b5    mulss %xmm2, %xmm0
0x4013b9    addss %xmm1, %xmm2
0x4013bd    movssl  %xmm0, (%r8,%rax,4)
0x4013c3    movssl  %xmm2, (%rsi,%rax,4)
0x4013c8    inc %rax
0x4013cb    cmp %rcx, %rax
0x4013ce    jb 0x4013a5 <Block 17>

- Ricky

---

你尝试过不使用数组来做同样的事情吗？ - Karoly Horvath

你正在使用哪个编译器以及它的选项？ - osgx

我实际上没有尝试过没有数组的情况，我可以尝试一下。目前我只使用 -O2 编译。 - Ricky

你尝试过使用其他函数（例如clock()或getTimeOfDay）来计时操作吗？ - Tudor

可能是重复的问题：为什么我的应用程序无法达到Core i7 920峰值FP性能？ - Paul R

Answer 1

为了达到6.4 GFLOPS的性能，你的CPU应该在一个时钟周期内执行10条指令。如果展开，则为7条指令。然而，这是不可能的。在这个处理器上，你最多只能获得每个时钟周期4条指令的执行速度。

- Evgeny Kluev

---

谢谢，这已经解释了很多。有没有其他代码可以实现这种高性能的方法？ - Ricky

是的，如果您执行更多的算术运算而不是内存读/写操作，则可以获得更多的FLOPS。例如，a[i] *= (b[i]*b[i]); c[i] = (a[i]+c[i]+b[i]);。 - Evgeny Kluev

@DanLeakin 你有没有尝试看一下这个问题？经过一些调整，OP设法让他的代码在每个周期运行1次加法和1次乘法。 - Mysticial

Answer 2

你的L3缓存有多大？4 MB吗？因此，你可能需要为缓存留出更多的余地。尝试将工作大小减少50%。

然而，在FP操作中的“并行性”基本上意味着在其他操作仍在处理和未完成时可以触发FP操作。但是，如果没有使用多线程方法和/或使用SSE寄存器，你很难实现真正的并行性。

- Haymo Kutschbach

---

L3缓存为8 MB。我尝试减小问题规模，但这并没有真正提高性能。 - Ricky

我并不真的想在这种情况下利用并行性，我只是想了解为什么我无法使用单个线程和没有SSE指令来达到FP操作的理论峰值性能。不过还是谢谢你的回应！ - Ricky

你能发布热循环的（优化后的）机器指令吗？它不仅仅由 * 和 + 组成。此外，寄存器的加载和数据的移动也会带来成本。 - Haymo Kutschbach

谢谢，我已经在我的初始帖子中添加了热循环的汇编代码。但是由于迭代是独立的，编译器应该能够以流水线方式处理此代码并执行乘法和加法，对吧？ - Ricky

Answer 3

你是否应该使用循环展开来填充CPU流水线呢？

- Joel Falcou

---

我尝试使用#pragma unroll(x)并尝试了几个x的值，但这只稍微提高了性能。 - Ricky