RSQRTSS是否打破对目标寄存器的依赖性？

Question

使用 uica 我为以下代码制作了一个跟踪表。

cvtsi2ss xmm0, eax
addss xmm0, xmm0

您可以看到每个 cvtsi2ss 必须等待先前的迭代完成，因为它取决于 xmm0 的某些位（ 32：127 ）。

但是，将 CVTSI2SS 更改为 RSQRTSS 有很大的不同。

rsqrtss xmm0, xmm1
addss xmm0, xmm0

每个<代码> rsqrtss 与先前的迭代并行执行。我不明白，因为 rsqrtss 像 32：127 不变的输出一样，就像 CVTSI2SS 一样在输出寄存器上操作要完成，就像 cvtsi2ss 一样。

---

阅读答案后，我进行了一个简单的测试，似乎UICA似乎有一个错误。

iaca 也无法捕获输出依赖性。

如果测试代码错误，请纠正我。

__asm__ (
    R"(.section .text
    .balign 16
noXor:
    mov eax, 0x3f800000
    movd xmm1, eax
    rdtscp
    shl rdx, 32
    or rax, rdx
    mov rdi, rax
    mov ecx, 1 << 30
    jmp noXor_loop
    .balign 16
noXor_loop:
    rsqrtss xmm0, xmm1
    addss xmm0, xmm0
    dec ecx
    jnz noXor_loop
    rdtscp
    shl rdx, 32
    or rax, rdx
    sub rax, rdi
    ret
    .balign 16
yesXor:
    mov eax, 0x3f800000
    movd xmm1, eax
    rdtscp
    shl rdx, 32
    or rax, rdx
    mov rdi, rax
    mov ecx, 1 << 30
    jmp yesXor_loop
    .balign 16
yesXor_loop:
    xorps xmm0, xmm0
    rsqrtss xmm0, xmm1
    addss xmm0, xmm0
    dec ecx
    jnz yesXor_loop
    rdtscp
    shl rdx, 32
    or rax, rdx
    sub rax, rdi
    ret)"
);

unsigned long long noXor(void);
unsigned long long yesXor(void);

#include <stdio.h>

int main() {
    for (int i = 0; i < 4; ++i) {
        printf("noXor: %llu yesXor: %llu\n", noXor(), yesXor());
    }
    return 0;
}

noXor: 4978836501 yesXor: 696810039
noXor: 4971780086 yesXor: 690780109
noXor: 4977293771 yesXor: 687404710
noXor: 5499602729 yesXor: 687954399

Answer 1

对真实硬件的测试，您会看到预期的结果： rsqrtss xmm0，xmm1 具有 4循环延迟作为xmm0 - ＆gt; XMM0依赖关系链。 （在我的Skylake上）。

这是UICA中的错误。或实际上在 https://uops.info/ 它使用的数据 - 您的跟踪包括指向 rsqrtss 他们仅测量了操作数2→1 案例的延迟，没有 1→1 的条目。写入该测试后，作者可能会复制/粘贴 rsqrtps 测试，而忘记添加了输出依赖项的测试。

没有在真正的CPU上测试自己，只有在有实际测试测量 1→1→1 rsqrtsss 的实际测试时，您才会感到惊讶。 。没有这样的测试，正确的假设是丢失了测试（因此UICA结果是错误的），而不是延迟实际上为零。

许多说明都没有任何CPU的输出依赖性，因此有理由 https://uops.info/ t所有测试。我们宁愿拥有 rsqrtps 列出为 4 的延迟，而不是 [0：4] ，除非有某些CPU是非零的。

当没有测试数据时，UICA将不假定UICA没有输出依赖性。对于没有输出依赖项的说明，这是正常的。

，但当然 rsqrtss 应该分别从每个操作数分别测试延迟到目标。它不是零，但是从理论上讲，CPU可以使合并目标延迟转发，因此实际测试是明智的，而不是假设它与适当的来源相同。 （我不知道单个UOP允许延迟转发的任何X86 CPU，因此来自不同输入的不同潜伏期通常仅在多UOP指令中发生。与某些ARM CPU不同，在某些ARM CPU中，其FMA和/或Integer Mac单元允许延迟转发用于 BTW，您的推理是正确的， rsqrtss

---

确实具有依赖性，除非硬件对XMM regs进行部分注册重命名。但是没有现实的硬件可以做到这一点。

PIII和Pentium-M必须单独编写XMM的每64位一半，也许可以编写一个没有另一个的一半，但是 rsqrtss 剩下一半。得益于英特尔的短视设计选择，未经修改。 （现在我很好奇Pentium-M CVTSI2SD XMM0，EAX 或 SQRTSD XMM0，XMM1 具有错误的输出依赖性。 。

AVX版本 vrsqrtss 甚至需要一个额外的源操作数来合并，这些操作数可以与结果写入的目的地分开。