SIMD,验解Single Instruction Multiple Data,多少是初体一种在CPU指令级别支持的并行处理技术。大家最早听说这个词,验解应该是多少在《计算机组成原理》的课上。
为了体现出区别,初体我们先看最简单的验解模式:Single Instruction Single Data (SISD)。这种模式下,多少一个单核CPU接收并执行一条指令。该指令只加载内存单元里的一条数据到寄存器,然后进行处理。
Single Instruction Single Data
SIMD模式下,CPU的寄存器通常比较大,比如128bit,目前最新已支持到512bit。如果我们使用512bit寄存器,那么一次性就可以加载8个int64数字,以并行度=8的速度进行计算:
Single Instruction Multiple Data
当然,还有两个分类 MISD 和 MIMD,这里就不细说了。
Intel CPU通过扩充指令集提供了对SIMD的支持。按照出现顺序,总共有三套:MMX、SSE 和 AVX:
我们可以通过Intel官方网站查询自己的处理器是否支持(地址附在文章末尾)。下面以MacOS为例,简单看一下。通过sysctl查看CPU型号:
sysctl -a | grep brand machdep.cpu.brand_string: Intel(R) Core(TM) i7-1068NG7 CPU @ 2.30GHzmachdep.cpu.brand: 0
下面是查询结果,可见主流的SSE和AVX指令集都是支持的:
那么这些指令集怎么用呢?Intel官方提供了一套C语言库,并且有详细的函数文档,名字为 "Intel® Intrinsics Guide"。
这些函数有明确的命名规范,由三段构成,分别是:
比如我想看下256bit下的加法,搜索 mm256_add 会返回一组函数:
接下来我们用这些指令来看看下性能吧。
由于要做性能测试,编程语言是C/C++,所以选择 google/benchmark 作为辅助。测试场景是两个100w条数据的数组做加法,数组里的元素可以是int32、float32、int64等。后面我们采用float32进行测试。
google/benchmark 跟着Github上"Installation" 部分走就好了,最后必须执行安装这一步:
sudo cmake --build "build" --config Release --target install
先写一段比较正常的单测代码,通过 #include <immintrin.h>可使用SIMD的能力。准备工作包括:
计算逻辑是 c = a + b,跑多少轮次由 benchmark::State &state 来控制。代码如下:
#include <immintrin.h>#include <benchmark/benchmark.h>constexpr int N = 1000000;static void normal(benchmark::State &state){ float *a = static_cast<float *>(_mm_malloc(sizeof(float) * N, 16)); float *b = static_cast<float *>(_mm_malloc(sizeof(float) * N, 16)); float *c = static_cast<float *>(_mm_malloc(sizeof(float) * N, 16)); for (int i = 0; i < N; ++i) { a[i] = i; b[i] = 2 * i; } for (auto _ : state) { for (int i = 0; i < N; ++i) { c[i] = a[i] + b[i]; } } _mm_free(a); _mm_free(b); _mm_free(c);}BENCHMARK(normal);
我们将文件命名为 benchmark_float32.cpp。编译并执行:
g++ -Wall -std=c++20 -msse4 -mavx512f -mavx512bw benchmark_float32.cpp -pthread -lbenchmark -o benchmark_float32
由于需要支持sse4 avx512,编译时需要加上 -msse4 -maxv512f -mavx512bw。运行 ./benchmark_float32 结果如下:
2023-06-17T18:30:04+08:00Running ./benchmark_float32Run on (8 X 2300 MHz CPU s)CPU Caches: L1 Data 48 KiB L1 Instruction 32 KiB L2 Unified 512 KiB (x4) L3 Unified 8192 KiBLoad Average: 3.24, 3.72, 4.09-----------------------------------------------------Benchmark Time CPU Iterations-----------------------------------------------------normal 1821404 ns 1812256 ns 386
到当前为止,测试能够跑起来了。我们再加一个 128bit 计算的支持。这需要3个函数:
组装起来就是:
for (int i = 0; i < N; i += 4){ __m128 v1 = _mm_load_ps(a + i); __m128 v2 = _mm_load_ps(b + i); __m128 v3 = _mm_add_ps(v1, v2); _mm_store_ps(c + i, v3);}
由于一个 __m128类型的变量可以容纳4个float32,所以 i 每次加4。
同样的方法,我们可以把 __m256 和 __m512 都纳入测试,测试结果如下:
可以发现,这些扩容指令集的执行性能还是不错的,不过由于load和store需要额外的时间,并没有倍数的提升。
同样的方式,我们拿 int32 和 int64 进行测试,测试结果如下:
我们看 Iterations 这个指标,这个指标越大,说明运行速度越快。我们将不同类型汇总成表格:
Iterations | float32 | int32 | int64 | float32-O3 | int64-O3 |
normal | 388 | 383 | 361 | 1541 | 516 |
sse128 | 573 | 709 | 345 | 1441 | 2716 |
avx256 | 943 | 1176 | 550 | 1435 | 2959 |
avx512 | 1791 | 1872 | 759 | 6611 | 2601 |
可以发现,float32 和 int32 的迭代轮次逐个增加,而int64 在sse128和normal模式下基本持平,avx256和avx512呈现增加趋势。可能原因是在sse128模式下,计算速度理论上增加100%,load和save的时间抵消了计算速度的收益。
另外,在编译时开启 -O3 最高级别的编译优化之后, int64 在 SIMD下提速非常明显,float32只有在 avx512模式下有明显提速。
除了简单的加减乘除,SSE 和 AVX 能够支持很多形式的计算,包括但不限于:位运算、类型转换、比较、加密算法、数学函数、统计函数、随机数、字符串等,完整列表可参考 "Intel® Intrinsics Guide"。由于只是学习目的,并没有对所有这些函数进行测试。
问了下ChatGPT “SIMD的劣势”,给出的回复如下:
单纯从应用上来看,Clickhouse启发了一众大数据处理框架对SIMD能力的引入、NumPy库的引入,还有多媒体领域的广泛使用,我们有理由相信SIMD带来的性能收益。
Clickhouse具体做了哪些优化,对SIMD的能力的应用有多充分,后面了解完再补充。
查询CPU信息:
https://ark.intel.com/content/www/us/en/ark.html。
(责任编辑:探索)
民声我代言丨委员建议公共交通增加方言播报,市交通运输局这样回应
泰勒·斯威夫特照片被滥用,生成式AI让Deepfake变得廉价且简单
银保监会完善相关政策措施 支持符合绿色低碳发展需求的保险产品和服务