是否值得努力对齐[...]?
是的,绝对值得,并且成本也很低。
您可以轻松地对未对齐的块进行对齐写入,而无需跳转。
例如:
//assume rcx = length of block, assume length > 8.
//assume rdx = pointer to block
xor rax,rax
mov r9,rdx //remember r9 for later
sub rcx,8
mov [rdx],rax //start with an unaligned write
and rdx,not(7) //force alignment
lea r8,[rdx+rcx] //finish with unaligned tail write
xor r9,rdx //Get the misaligned byte count.
sub rcx,r9
jl @tail //jl and fuse with sub
@loop:
mov [rdx],rax //all writes in this block are aligned.
lea rdx,[rdx+8]
sub rcx,8
jns @loop
@tail
mov [r8],rax //unaligned tail write
我相信你可以从未展开的例子推断出一个优化的AVX2例子。
对齐只是一个简单的问题,需要使用
misalignment= start and not(alignmentsize -1)
。然后可以使用
misalignmentcount = start xor misalingment
来获取未对齐字节数量。
这些都不需要跳转。我相信你可以将其翻译成AVX。
下面的
FillChar
代码比标准库快3倍左右。请注意,我使用了跳转,测试表明这样做更快。
{$ifdef CPUX64}
procedure FillChar(var Dest
//rcx = dest
//rdx=count
//r8b=value
asm
.noframe
.align 16
movzx r8,r8b //There's no need to optimize for count <= 3
mov rax,$0101010101010101
mov r9d,edx
imul rax,r8 //fill rax with value.
cmp edx,59 //Use simple code for small blocks.
jl @Below32
@Above32: mov r11,rcx
rep mov r8b,7 //code shrink to help alignment.
lea r9,[rcx+rdx] //r9=end of array
sub rdx,8
rep mov [rcx],rax //unaligned write to start of block
add rcx,8 //progress 8 bytes
and r11,r8 //is count > 8?
jz @tail
@NotAligned: xor rcx,r11 //align dest
lea rdx,[rdx+r11]
@tail: test r9,r8 //and 7 is tail aligned?
jz @alignOK
@tailwrite: mov [r9-8],rax //no, we need to do a tail write
and r9,r8 //and 7
sub rdx,r9 //dec(count, tailcount)
@alignOK: mov r10,rdx
and edx,(32+16+8) //count the partial iterations of the loop
mov r8b,64 //code shrink to help alignment.
mov r9,rdx
jz @Initloop64
@partialloop: shr r9,1 //every instruction is 4 bytes
lea r11,[rip + @partial +(4*7)] //start at the end of the loop
sub r11,r9 //step back as needed
add rcx,rdx //add the partial loop count to dest
cmp r10,r8 //do we need to do more loops?
jmp r11 //do a partial loop
@Initloop64: shr r10,6 //any work left?
jz @done //no, return
mov rdx,r10
shr r10,(19-6) //use non-temporal move for > 512kb
jnz @InitFillHuge
@Doloop64: add rcx,r8
dec edx
mov [rcx-64+00H],rax
mov [rcx-64+08H],rax
mov [rcx-64+10H],rax
mov [rcx-64+18H],rax
mov [rcx-64+20H],rax
mov [rcx-64+28H],rax
mov [rcx-64+30H],rax
mov [rcx-64+38H],rax
jnz @DoLoop64
@done: rep ret
//db $66,$66,$0f,$1f,$44,$00,$00 //nop7
@partial: mov [rcx-64+08H],rax
mov [rcx-64+10H],rax
mov [rcx-64+18H],rax
mov [rcx-64+20H],rax
mov [rcx-64+28H],rax
mov [rcx-64+30H],rax
mov [rcx-64+38H],rax
jge @Initloop64 //are we done with all loops?
rep ret
db $0F,$1F,$40,$00
@InitFillHuge:
@FillHuge: add rcx,r8
dec rdx
db $48,$0F,$C3,$41,$C0 // movnti [rcx-64+00H],rax
db $48,$0F,$C3,$41,$C8 // movnti [rcx-64+08H],rax
db $48,$0F,$C3,$41,$D0 // movnti [rcx-64+10H],rax
db $48,$0F,$C3,$41,$D8 // movnti [rcx-64+18H],rax
db $48,$0F,$C3,$41,$E0 // movnti [rcx-64+20H],rax
db $48,$0F,$C3,$41,$E8 // movnti [rcx-64+28H],rax
db $48,$0F,$C3,$41,$F0 // movnti [rcx-64+30H],rax
db $48,$0F,$C3,$41,$F8 // movnti [rcx-64+38H],rax
jnz @FillHuge
@donefillhuge:mfence
rep ret
db $0F,$1F,$44,$00,$00 //db $0F,$1F,$40,$00
@Below32: and r9d,not(3)
jz @SizeIs3
@FillTail: sub edx,4
lea r10,[rip + @SmallFill + (15*4)]
sub r10,r9
jmp r10
@SmallFill: rep mov [rcx+56], eax
rep mov [rcx+52], eax
rep mov [rcx+48], eax
rep mov [rcx+44], eax
rep mov [rcx+40], eax
rep mov [rcx+36], eax
rep mov [rcx+32], eax
rep mov [rcx+28], eax
rep mov [rcx+24], eax
rep mov [rcx+20], eax
rep mov [rcx+16], eax
rep mov [rcx+12], eax
rep mov [rcx+08], eax
rep mov [rcx+04], eax
mov [rcx],eax
@Fallthough: mov [rcx+rdx],eax //unaligned write to fix up tail
rep ret
@SizeIs3: shl edx,2 //r9 <= 3 r9*4
lea r10,[rip + @do3 + (4*3)]
sub r10,rdx
jmp r10
@do3: rep mov [rcx+2],al
@do2: mov [rcx],ax
ret
@do1: mov [rcx],al
rep ret
@do0: rep ret
end;
{$endif}
这不是很多,而且肯定比分支检查对齐要便宜
我认为这些检查非常便宜(见上文)。请注意,您可能会遇到病态情况,因为块经常跨越行。
关于混合使用AVX和SSE代码
在英特尔上,混合使用AVX和(传统的,即非VEX编码)SSE指令会产生300多个周期的惩罚。
如果您使用AVX2指令写入内存,则在应用程序的其余部分中使用SSE代码将会受到惩罚,而Delphi 64专门使用SSE进行浮点运算。
在这种情况下使用AVX2代码会导致严重的延迟。光是出于这个原因,我建议您不要考虑AVX2。
不需要AVX2
使用64位通用寄存器进行写操作就可以饱和内存总线。
同时进行读写操作时,128位的读写也可以轻松饱和总线。
这在旧处理器上是正确的,在超出L1缓存范围时也是正确的,但在最新的处理器上不是。
为什么混合使用AVX和SSE(传统)代码会有惩罚?
英特尔写道:
最初,处理器处于干净状态(1),其中Intel SSE和Intel AVX指令可以无惩罚地执行。当执行256位的Intel AVX指令时,处理器标记为Dirty Upper状态(2)。在此状态下,执行Intel SSE指令会保存所有YMM寄存器的上128位,并将状态更改为Saved Dirty Upper状态(3)。下次执行Intel AVX指令时,所有YMM寄存器的上128位将被恢复,处理器回到状态(2)。这些保存和恢复操作具有很高的惩罚。频繁执行这些转换会导致显着的性能损失。
还有一个问题是黑硅的问题。AVX2代码使用大量硬件,所有这些硅都被点亮会消耗很多电力,从而影响热头程。执行AVX2代码时,CPU会降速,有时甚至低于正常的非Turbo阈值。通过关闭256位AVX的电路,CPU可以实现更高的Turbo时钟,因为热头程更好。关闭AVX2电路的开关没有看到256位代码的时间较长(675微秒),并且开关上看到了AVX2代码。混合两者会导致电路的开关,需要很多周期。