我在用C中的SSE进行矩阵矩阵乘法时遇到麻烦。
这是我到目前为止所得到的:
#define N 1000
void matmulSSE(int mat1[N][N], int mat2[N][N], int result[N][N]) {
int i, j, k;
__m128i vA, vB, vR;
for(i = 0; i < N; ++i) {
for(j = 0; j < N; ++j) {
vR = _mm_setzero_si128();
for(k = 0; k < N; k += 4) {
//result[i][j] += mat1[i][k] * mat2[k][j];
vA = _mm_loadu_si128((__m128i*)&mat1[i][k]);
vB = _mm_loadu_si128((__m128i*)&mat2[k][j]); //how well does the k += 4 work here? Should it be unrolled?
vR = _mm_add_epi32(vR, _mm_mul_epi32(vA, vB));
}
vR = _mm_hadd_epi32(vR, vR);
vR = _mm_hadd_epi32(vR, vR);
result[i][j] += _mm_extract_epi32(vR, 0);
}
}
}
我似乎无法使它给出正确的结果。我想念什么吗?而且搜索搜索量似乎有很大帮助-每个结果要么只是做4x4矩阵,mat-vec要么是某些特殊的魔术,这些魔术不是很易读并且很难理解...
您是对的,您的vB
是问题。您正在加载4个连续的整数,但是mat2[k+0..3][j]
不是连续的。您实际上得到了mat2[k][j+0..3]
。
我忘记了什么对matmul很好。有时并行生成4个结果的效果很好,而不是对每个结果进行水平求和。
转置您输入矩阵之一的工作量为O(N ^ 2)。这是值得的,因为这意味着O(N ^ 3)matmul可以使用顺序访问,并且您当前的循环结构变得对SIMD友好。
还有更好的方法,例如在使用前立即转置小块,因此当您再次读取它们时,它们在L1缓存中仍然很热。或循环遍历目标行并添加一个结果,而不是针对单个或一小组行*列点积累加完整结果。高速缓存阻塞(又名循环切片)是获得良好的性能的关键之一。另请参见What Every Programmer Should Know About Memory?,该文件的附录中有一个缓存阻止的SIMD FP matmul示例,没有转置。
关于使用SIMD和缓存块优化矩阵乘法的文章很多。我建议你用谷歌搜索。如果可能是在谈论FP,则大多数情况下,但它也适用于整数。
如果已经转换了一个输入:
void matmulSSE(int mat1[N][N], int mat2[N][N], int result[N][N]) {
for(int i = 0; i < N; ++i) {
for(int j = 0; j < N; j+=4) { // vectorize over this loop
__m128i vR = _mm_setzero_si128();
for(int k = 0; k < N; k++) { // not this loop
//result[i][j] += mat1[i][k] * mat2[k][j];
__m128i vA = _mm_set1_epi32(mat1[i][k]); // load+broadcast is much cheaper than MOVD + 3 inserts (or especially 4x insert, which your new code is doing)
__m128i vB = _mm_loadu_si128((__m128i*)&mat2[k][j]); // mat2[k][j+0..3]
vR = _mm_add_epi32(vR, _mm_mullo_epi32(vA, vB));
}
_mm_storeu_si128((__m128i*)&result[i][j], vR));
}
}
}
广播负载(或没有AVX的单独负载+广播)仍然比聚会便宜很多。您当前的代码使用4个插入来进行收集,而不是通过对第一个元素使用MOVD来打破对先前迭代值的依赖链,因此更糟。但是与负载+ PUNPCKLDQ相比,即使是4个分散元素的最佳集合也非常糟糕。更不用说这使您的代码需要SSE4.1。
尽管对于
_mm_mullo_epi32
仍然需要SSE4.1,而不是加宽PMULDQ (_mm_mul_epi32
)。请注意,整数乘法吞吐量通常比FP乘法差,特别是在Haswell及更高版本上。 FP FMA单元的每个32位元素只有24位宽的乘法器(对于FP尾数),因此对于32x32 => 32位整数使用乘数需要分成两个微码。
更新:哇!我终于弄明白了。除了我的逻辑中的错误(感谢Peter Cordes的帮助)之外,还有_mm_mul_epi32
不能按我认为的那样工作的问题-我应该一直使用_mm_mul_epi32()
!
_mm_mullo_epi32()
将Peters的示例转换为i-k-j循环顺序版本。 vR需要额外的负载,并且需要在存储中移动到内部循环,但是可以将设置vA向上移动一个循环。结果更快。Update 2:
// editor's note: this is the most naive way to vectorize
void matmulSSE(int mat1[N][N], int mat2[N][N], int result[N][N]) {
int i, j, k;
__m128i vA, vB, vR, vSum;
for(i = 0; i < N; ++i) {
for(j = 0; j < N; ++j) {
vR = _mm_setzero_si128();
for(k = 0; k < N; k += 4) {
//result[i][j] += mat1[i][k] * mat2[k][j];
vA = _mm_loadu_si128((__m128i*)&mat1[i][k]);
vB = _mm_insert_epi32(vB, mat2[k][j], 0); // false dependency on old vB
vB = _mm_insert_epi32(vB, mat2[k + 1][j], 1); // bad spatial locality
vB = _mm_insert_epi32(vB, mat2[k + 2][j], 2); // striding down a column
vB = _mm_insert_epi32(vB, mat2[k + 3][j], 3);
vR = _mm_mullo_epi32(vA, vB);
vR = _mm_hadd_epi32(vR, vR);
vR = _mm_hadd_epi32(vR, vR);
result[i][j] += _mm_extract_epi32(vR, 0);
//DEBUG
//printf("vA: %d, %d, %d, %d\n", vA.m128i_i32[0], vA.m128i_i32[1], vA.m128i_i32[2], vA.m128i_i32[3]);
//printf("vB: %d, %d, %d, %d\n", vB.m128i_i32[0], vB.m128i_i32[1], vB.m128i_i32[2], vB.m128i_i32[3]);
//printf("vR: %d, %d, %d, %d\n", vR.m128i_i32[0], vR.m128i_i32[1], vR.m128i_i32[2], vR.m128i_i32[3]);
//printf("\n");
}
}
}
}