博客
关于我
奇妙之旅:SIMD加速矩阵运算
阅读量:208 次
发布时间:2019-02-28

本文共 8295 字,大约阅读时间需要 27 分钟。

奇妙之旅:SIMD加速矩阵运算

1.前言

  游戏会涉及到大量4x4的矩阵乘法运算,而乘法最简单直观的实现就是循环4×4×4次乘法,以及若干次加法,得到结果。

  在计算量较少时,cpu并不是很紧张。然而游戏通常每秒伴随着大量运算,此时,计算的效率就显得尤为重要。
  通过查阅文献,我发现了一种SIMD(Single Instruction Multiple Data,单指令多数据流)技术,可以同时操作多个数据,极大的提高了cpu的运算能力。

2.预备知识

原理:

  • 以加法指令为例,单指令单数据(SISD)的CPU对加法指令译码后,执行部件先访问内存,取得第一个操作数;之后再一次访问内存,取得第二个操作数;随后才能进行求和运算。而在SIMD型的CPU中,指令译码后几个执行部件同时访问内存,一次性获得所有操作数进行运算。这个特点使SIMD特别适合于多媒体应用等数据密集型运算。

下列是一些AVX,AVX2指令集上的函数原型:

  • __m256 _mm256_i32gather_ps (float const* base_addr, __m256i vindex, const int scale)

    • 概要

      __m256 _mm256_i32gather_ps (float const* base_addr, __m256i vindex, const int scale)
      #include <immintrin.h>
      Instruction: vgatherdps ymm, vm32x, ymm
      CPUID Flags: AVX2

    • 描述

      Gather single-precision (32-bit) floating-point elements from memory using 32-bit indices. 32-bit elements are loaded from addresses starting at base_addr and offset by each 32-bit element in vindex (each index is scaled by the factor in scale). Gathered elements are merged into dst. scale should be 1, 2, 4 or 8.

    • 伪代码

      FOR j := 0 to 7		i := j*32		m := j*32		addr := base_addr + SignExtend64(vindex[m+31:m]) * ZeroExtend64(scale) * 8		dst[i+31:i] := MEM[addr+31:addr]ENDFORdst[MAX:256] := 0
    • 口胡 解释:用于将base_addr指向的内存中的数据按vindex中放置的索引序号并乘以scale表示的字节大小收集数据。

  • __m256 _mm256_dp_ps (__m256 a, __m256 b, const int imm8)

    • 概要

      __m256 _mm256_dp_ps (__m256 a, __m256 b, const int imm8)
      #include <immintrin.h>
      Instruction: vdpps ymm, ymm, ymm, imm
      CPUID Flags: AVX

    • 描述

      Conditionally multiply the packed single-precision (32-bit) floating-point elements in a and b using the high 4 bits in imm8, sum the four products, and conditionally store the sum in dst using the low 4 bits of imm8.

    • 伪代码

      DEFINE DP(a[127:0], b[127:0], imm8[7:0]) {       	FOR j := 0 to 3		i := j*32		IF imm8[(4+j)%8]			temp[i+31:i] := a[i+31:i] * b[i+31:i]		ELSE			temp[i+31:i] := 0		FI	ENDFOR		sum[31:0] := (temp[127:96] + temp[95:64]) + (temp[63:32] + temp[31:0])		FOR j := 0 to 3		i := j*32		IF imm8[j%8]			tmpdst[i+31:i] := sum[31:0]		ELSE			tmpdst[i+31:i] := 0		FI	ENDFOR	RETURN tmpdst[127:0]}dst[127:0] := DP(a[127:0], b[127:0], imm8[7:0])dst[255:128] := DP(a[255:128], b[255:128], imm8[7:0])dst[MAX:256] := 0
    • 口胡 解释:将a,b的8个float值,分别相乘(如果imm8第4-7位为1),然后前4个求和,后4个求和,如果imm8的低0-3位为1就分配这个和值到目标区域。

好了,有了以上两个函数,我们就可以将4x4矩阵乘法的乘法次数降到8次了。

什么?你问怎么做?请往下看。

3.计算逻辑

  因为笔者的CPU只支持到AVX2,所以不能用512位的寄存器(哭~),这里就用256位寄存器做示范。

  考虑原来的乘法需要64次的float乘法,如果用256位寄存器(8个float)打包就可以降到 64 ÷ 8 = 8 64\div8 =8 64÷8=8次,太惊人了。

下面就是计算思路:

1. 记 X a b 为 矩 阵 X 的 第 a 行 和 第 b 行 构 成 的 一 个 8 个 f l o a t 值 的 寄 存 器 2. 记 X u v 为 矩 阵 X 的 第 u 列 和 第 v 列 构 成 的 一 个 8 个 f l o a t 值 的 寄 存 器 1.记X_{ab}为矩阵X的第a行和第b行构成的一个8个float值的寄存器\\ 2.记X^{uv}为矩阵X的第u列和第v列构成的一个8个float值的寄存器\\ 1.XabXab8float2.XuvXuv8float
matrix4 c;
__mm256 temp;
int mask = 0b11110001;

一次性计算两次点积

temp =_mm256_dp_ps ( A 12 , B 11 , m a s k ) ( A_{12} ,B^{11},mask) (A12,B11,mask)
c.data[0] = temp[0];
c.data[1] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 11 , m a s k ) ( A_{34} ,B^{11},mask) (A34,B11,mask)

c.data[2] = temp[0];
c.data[3] = temp[4];

剩下的类似…

temp =_mm256_dp_ps ( A 12 , B 22 , m a s k ) ( A_{12} ,B^{22},mask) (A12,B22,mask)
c.data[4] = temp[0];
c.data[5] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 22 , m a s k ) ( A_{34} ,B^{22},mask) (A34,B22,mask)

c.data[6] = temp[0];
c.data[7] = temp[4];

temp =_mm256_dp_ps ( A 12 , B 33 , m a s k ) ( A_{12} ,B^{33},mask) (A12,B33,mask)

c.data[8] = temp[0];
c.data[9] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 33 , m a s k ) ( A_{34} ,B^{33},mask) (A34,B33,mask)

c.data[10] = temp[0];
c.data[11] = temp[4];

temp =_mm256_dp_ps ( A 12 , B 44 , m a s k ) ( A_{12} ,B^{44},mask) (A12,B44,mask)

c.data[12] = temp[0];
c.data[13] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 44 , m a s k ) ( A_{34} ,B^{44},mask) (A34,B44,mask)

c.data[14] = temp[0];
c.data[15] = temp[4];

至此,一次矩阵乘法结束。

关于如何取 A 12 , A 34 , B 11 . . . A_{12},A_{34},B_{11}... A12A34B11...等值:

__declspec(align(16)) __m256i gatherA12 = _mm256_set_epi32(13, 9, 5, 1, 12, 8, 4, 0);__declspec(align(16)) __m256i gatherA34 = _mm256_set_epi32(15, 11, 7, 3, 14, 10, 6, 2);__declspec(align(16)) __m256i gatherB11 = _mm256_set_epi32(3, 2, 1, 0, 3, 2, 1, 0);__declspec(align(16)) __m256i gatherB22 = _mm256_set_epi32(7, 6, 5, 4, 7, 6, 5, 4);__declspec(align(16)) __m256i gatherB33 = _mm256_set_epi32(11, 10, 9, 8, 11, 10, 9, 8);__declspec(align(16)) __m256i gatherB44 = _mm256_set_epi32(15, 14, 13, 12, 15, 14, 13, 12);	a12 = _mm256_i32gather_ps(_Left.data, gatherA12, sizeof(float));	a34 = _mm256_i32gather_ps(_Left.data, gatherA34, sizeof(float));	b11 = _mm256_i32gather_ps(_Right.data, gatherB11, sizeof(float));	b22 = _mm256_i32gather_ps(_Right.data, gatherB22, sizeof(float));	b33 = _mm256_i32gather_ps(_Right.data, gatherB33, sizeof(float));	b44 = _mm256_i32gather_ps(_Right.data, gatherB44, sizeof(float));

__declspec(align(16)) 意味着要求编译器按16字节对齐,注意!!!SIMD要求字节对齐(当然偏要不对齐也行。。。)

_mm256_set_epi32 语义很简单,就是按照参数来向256位寄存器中放入32位的整数,但是需要注意的是,第一个参数是放到寄存器最末尾的。

4.代码实战

先放出运行结果:

在这里插入图片描述
第一个计时是循环1000万次的SIMD,仅用了不到1ms。
第二个计时是普通的循环1000万次。

以下是全部代码:

#include 
#include
#include
#include
// 计时结构LARGE_INTEGER t1, t2, tc;void time_begin(){ QueryPerformanceFrequency(&tc); QueryPerformanceCounter(&t1);}float time_end(){ QueryPerformanceCounter(&t2); return ((t2.QuadPart - t1.QuadPart)*1.0 / tc.QuadPart) * 1000;}class matrix4{ public: matrix4() :data{ 0 } { } matrix4(float v) :data{ v,0,0,0,0,v,0,0,0,0,v,0,0,0,0,v } { }public:public: union { float data[16]; float ptr[4][4]; };};// 列主序按行计算matrix4 mul_1(const matrix4& m1, const matrix4& m2){ matrix4 ret; for (int row = 0; row < 4; ++row) { for (int col = 0; col < 4; ++col) { for (int a = 0; a < 4; ++a) { ret.ptr[col][row] += m1.ptr[a][row] * m2.ptr[col][a]; } } } return ret;}__declspec(align(16)) matrix4 A(1.f);__declspec(align(16)) matrix4 B(2.f);__declspec(align(16)) float v[16]= { 0, 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15};__declspec(align(16)) __m256i gatherA12 = _mm256_set_epi32(13, 9, 5, 1, 12, 8, 4, 0);__declspec(align(16)) __m256i gatherA34 = _mm256_set_epi32(15, 11, 7, 3, 14, 10, 6, 2);__declspec(align(16)) __m256i gatherB11 = _mm256_set_epi32(3, 2, 1, 0, 3, 2, 1, 0);__declspec(align(16)) __m256i gatherB22 = _mm256_set_epi32(7, 6, 5, 4, 7, 6, 5, 4);__declspec(align(16)) __m256i gatherB33 = _mm256_set_epi32(11, 10, 9, 8, 11, 10, 9, 8);__declspec(align(16)) __m256i gatherB44 = _mm256_set_epi32(15, 14, 13, 12, 15, 14, 13, 12);auto mm_mul_mat(matrix4 const& _Left, matrix4 const& _Right){ matrix4 ret; __declspec(align(16)) __m256 temp; __declspec(align(16)) __m256 a12, a34; __declspec(align(16)) __m256 b11, b22, b33, b44; a12 = _mm256_i32gather_ps(_Left.data, gatherA12, sizeof(float)); a34 = _mm256_i32gather_ps(_Left.data, gatherA34, sizeof(float)); b11 = _mm256_i32gather_ps(_Right.data, gatherB11, sizeof(float)); b22 = _mm256_i32gather_ps(_Right.data, gatherB22, sizeof(float)); b33 = _mm256_i32gather_ps(_Right.data, gatherB33, sizeof(float)); b44 = _mm256_i32gather_ps(_Right.data, gatherB44, sizeof(float)); temp = _mm256_dp_ps(a12, b11, 0b11110001); ret.data[0] = temp.m256_f32[0]; ret.data[1] = temp.m256_f32[4]; temp = _mm256_dp_ps(a34, b11, 0b11110001); ret.data[2] = temp.m256_f32[0]; ret.data[3] = temp.m256_f32[4]; temp = _mm256_dp_ps(a12, b22, 0b11110001); ret.data[4] = temp.m256_f32[0]; ret.data[5] = temp.m256_f32[4]; temp = _mm256_dp_ps(a34, b22, 0b11110001); ret.data[6] = temp.m256_f32[0]; ret.data[7] = temp.m256_f32[4]; temp = _mm256_dp_ps(a12, b33, 0b11110001); ret.data[8] = temp.m256_f32[0]; ret.data[9] = temp.m256_f32[4]; temp = _mm256_dp_ps(a34, b33, 0b11110001); ret.data[10] = temp.m256_f32[0]; ret.data[11] = temp.m256_f32[4]; temp = _mm256_dp_ps(a12, b44, 0b11110001); ret.data[12] = temp.m256_f32[0]; ret.data[13] = temp.m256_f32[4]; temp = _mm256_dp_ps(a34, b44, 0b11110001); ret.data[14] = temp.m256_f32[0]; ret.data[15] = temp.m256_f32[4]; return ret;}int main(){ time_begin(); for (int i = 0; i < 10000000; ++i) { volatile auto res = mm_mul_mat(A, B); } ::std::cout << "SIMD-AVX \ttime: " << time_end() << ::std::endl; time_begin(); for (int i = 0; i < 10000000; ++i) { volatile auto m = mul_1(A, B); } ::std::cout << "SISD TRIVIAL \ttime: " << time_end() << ::std::endl; return 0;}

以上。

PS:真是一次奇妙的体验呢~

转载地址:http://tewp.baihongyu.com/

你可能感兴趣的文章
MySQL“被动”性能优化汇总
查看>>
MySQL、HBase 和 Elasticsearch:特点与区别详解
查看>>
MySQL、Redis高频面试题汇总
查看>>
MYSQL、SQL Server、Oracle数据库排序空值null问题及其解决办法
查看>>
mysql一个字段为空时使用另一个字段排序
查看>>
MySQL一个表A中多个字段关联了表B的ID,如何关联查询?
查看>>
MYSQL一直显示正在启动
查看>>
MySQL一站到底!华为首发MySQL进阶宝典,基础+优化+源码+架构+实战五飞
查看>>
MySQL万字总结!超详细!
查看>>
Mysql下载以及安装(新手入门,超详细)
查看>>
MySQL不会性能调优?看看这份清华架构师编写的MySQL性能优化手册吧
查看>>
MySQL不同字符集及排序规则详解:业务场景下的最佳选
查看>>
Mysql不同官方版本对比
查看>>
MySQL与Informix数据库中的同义表创建:深入解析与比较
查看>>
mysql与mem_细说 MySQL 之 MEM_ROOT
查看>>
MySQL与Oracle的数据迁移注意事项,另附转换工具链接
查看>>
mysql丢失更新问题
查看>>
MySQL两千万数据优化&迁移
查看>>
MySql中 delimiter 详解
查看>>
MYSQL中 find_in_set() 函数用法详解
查看>>