将Intel -03转换为__M256D指令对__M512D

Question

将编写为256矢量化寄存器编写的代码使用（2019）Intel编译器具有O3优化级别的512个说明？

例如，在两个__M256D对象上操作是否会转换为蒙版__M512D对象的相同数量的操作，或者分组以最大程度地使用寄存器，在最佳情况下，操作总数降低了一个因子2？

拱门：骑士着陆

Answer 1

不幸的是， no ：编写用于使用AVX/AVX-2内在的代码不是由ICC重写的，因此请使用AVX-512（ICC 2019和ICC 2021）。没有指示融合。这是一个示例（请参阅 godbolt ）。

#include <x86intrin.h>

void compute(double* restrict data, int size)
{
    __m256d cst1 = _mm256_set1_pd(23.42);
    __m256d cst2 = _mm256_set1_pd(815.0);
    __m256d v1 = _mm256_load_pd(data);
    __m256d v2 = _mm256_load_pd(data+4);
    __m256d v3 = _mm256_load_pd(data+8);
    __m256d v4 = _mm256_load_pd(data+12);
    v1 = _mm256_fmadd_pd(v1, cst1, cst2);
    v2 = _mm256_fmadd_pd(v2, cst1, cst2);
    v3 = _mm256_fmadd_pd(v3, cst1, cst2);
    v4 = _mm256_fmadd_pd(v4, cst1, cst2);
    _mm256_store_pd(data, v1);
    _mm256_store_pd(data+4, v2);
    _mm256_store_pd(data+8, v3);
    _mm256_store_pd(data+12, v4);
}

生成的代码：

compute:
        vmovupd   ymm0, YMMWORD PTR .L_2il0floatpacket.0[rip]   #5.20
        vmovupd   ymm1, YMMWORD PTR .L_2il0floatpacket.1[rip]   #6.20
        vmovupd   ymm2, YMMWORD PTR [rdi]                       #7.33
        vmovupd   ymm3, YMMWORD PTR [32+rdi]                    #8.33
        vmovupd   ymm4, YMMWORD PTR [64+rdi]                    #9.33
        vmovupd   ymm5, YMMWORD PTR [96+rdi]                    #10.33
        vfmadd213pd ymm2, ymm0, ymm1                            #11.10
        vfmadd213pd ymm3, ymm0, ymm1                            #12.10
        vfmadd213pd ymm4, ymm0, ymm1                            #13.10
        vfmadd213pd ymm5, ymm0, ymm1                            #14.10
        vmovupd   YMMWORD PTR [rdi], ymm2                       #15.21
        vmovupd   YMMWORD PTR [32+rdi], ymm3                    #16.21
        vmovupd   YMMWORD PTR [64+rdi], ymm4                    #17.21
        vmovupd   YMMWORD PTR [96+rdi], ymm5                    #18.21
        vzeroupper                                              #19.1
        ret                                                     #19.1

为ICC的两个版本生成相同的代码。

请注意，使用AVX-512不应始终以两倍的速度加快代码。例如，在Skylake SP（服务器端处理器）上，有2个AVX/AVX-2 SIMD单元可以融合以执行AVX-512指令，但Fusing不能改善吞吐量（假设SIMD单位是瓶颈）。但是，Skylake SP还支持不支持AVX/AVX-2（仅在某些处理器上可用）的可选其他512位SIMD单元。在这种情况下，AVX-512可以使您的代码更快两倍。