![vpacker
–
内部構造
• 圧縮データのバイナリフォーマット
ディスクリプタ部（desc）
圧縮データ部（in）
1-byteのデータに固定長1-bitで8個の整数が格納
void unpack1_8(const char *in, uint32_t *out) {
*out++ = in[0] & 0x01;
*out++ = (in[0] >> 1) & 0x01;
*out++ = (in[0] >> 2) & 0x01;
...
*out++ = (in[0] >> 7) & 0x01;
}
13](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-13-320.jpg)
![vpacker
–
内部構造
• 圧縮データのバイナリフォーマット
2-byteのデータに固定長2-bitで8個の整数が格納
ディスクリプタ部（desc）
圧縮データ部（in）
1-byteのデータに固定長1-bitで8個の整数が格納
void unpack2_8(const char *in, uint32_t *out) {
*out++ = in[0] & 0x03;
*out++ = (in[0] >> 2) & 0x03;
*out++ = (in[0] >> 4) & 0x03;
...
*out++ = (in[1] >> 6) & 0x03;
}
14](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-14-320.jpg)
![gcc（v4.8）の自動ベクトル化
• この関数*1ってどんな機械語に変換されるの？
– 処理に依存関係が無く，ベクトル化しやすそうな印象
void unpack1(const char *in, uint32_t *out, int n) {
for (int i = 0; i < n; i++) {
*out++ = in[0] & 0x01;
*out++ = (in[0] >> 1) & 0x01;
*out++ = (in[0] >> 2) & 0x01;
...
*out++ = (in[0] >> 7) & 0x01;
}
}
*1 現実に即して，ループ回数（n）を指定できるように変更しました
18](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-18-320.jpg)
![gcc（v4.8）の自動ベクトル化
• この関数ってどんな機械語に変換されるの？
– 処理に依存関係が無く，ベクトル化しやすそうな印象
void unpack1(const char *in, uint32_t *out, int n) {
for (int i = 0; i < n; i++) {
*out++ = in[0] & 0x01;
*out++ = (in[0] >> 1) & 0x01;
*out++ = (in[0] >> 2) & 0x01;
...
*out++ = (in[0] >> 7) & 0x01;
}
}
重要） コンパイルする前に自動ベクトル化されやすいように前処理
19](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-19-320.jpg)
![gcc（v4.8）の自動ベクトル化
• 一部だけ抜粋
&
並び替え（’gcc
-‐O3’）
movdqu (%r9), %xmm1 // in - %xmm1
pxor %xmm2, %xmm2
pcmpgtb %xmm1, %xmm2
movdqa %xmm1, %xmm3
punpckhbw %xmm2, %xmm1
punpcklbw %xmm2, %xmm3
pxor %xmm2, %xmm2
movdqa %xmm3, %xmm4
pcmpgtw %xmm3, %xmm2
punpcklwd %xmm2, %xmm4
movdqa %xmm4, %xmm5
pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01]
....
22](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-22-320.jpg)
![gcc（v4.8）の自動ベクトル化
• 一部だけ抜粋
並び替え（’gcc
-‐O3’）
movdqu (%r9), %xmm1 // in - %xmm1
pxor %xmm2, %xmm2
pcmpgtb %xmm1, %xmm2
movdqa %xmm1, %xmm3
punpckhbw %xmm2, %xmm1
punpcklbw %xmm2, %xmm3 バイトからワードに符号拡張
pxor %xmm2, %xmm2
movdqa %xmm3, %xmm4
pcmpgtw %xmm3, %xmm2
punpcklwd %xmm2, %xmm4 ワードからダブルワードに符号拡張
movdqa %xmm4, %xmm5
pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01]
....
0x01でマスクして展開処理完了
23](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-23-320.jpg)
![gcc（v4.8）の自動ベクトル化
• 一部だけ抜粋
並び替え（’gcc
-‐O3’）
movdqu (%r9), %xmm1 // in - %xmm1
pxor %xmm2, %xmm2
pcmpgtb %xmm1, %xmm2
movdqa %xmm1, %xmm3
punpckhbw %xmm2, %xmm1
punpcklbw %xmm2, %xmm3 バイトからワードに符号拡張
pxor %xmm2, %xmm2
movdqa %xmm3, %xmm4
pcmpgtw %xmm3, %xmm2
punpcklwd %xmm2, %xmm4 ワードからダブルワードに符号拡張
‘n 15’で分岐させてLoopを全てinline化するアグレッシブな最適化
movdqa %xmm4, %xmm5
→’n = 15’はベクトル化されていないパスに分岐
pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01]
....
0x01でマスクして展開処理完了
24](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-24-320.jpg)
![WriQng
Vectorizer-‐Friendly
Code
in
clang
• example.1#
– clang
-‐O3
-‐mllvm
-‐vectorize-‐loops
void test1(float * __restrict__ a,
float * __restrict__ b, int n) {
for (int i = 0; i n; i++)
a[i] += b[i];
}
30](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-30-320.jpg)
![WriQng
Vectorizer-‐Friendly
Code
in
clang
• example.2#
– clang
-‐O3
-‐mllvm
-‐vectorize-‐loops
void test2(float * __restrict__ a,
float * __restrict__ b, int n) {
for (int i = 0; i n; i += 2)
a[i] += b[i];
}
32](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-32-320.jpg)
![WriQng
Vectorizer-‐Friendly
Code
in
clang
• example.3#
– clang
-‐O3
-‐mllvm
-‐vectorize-‐loops
void test3(float * __restrict__ a,
float * __restrict__ b, int n) {
for (int i = 0; i n; i += 1) {
for (int j = 0; j SIZE; j++)
a[i * SIZE + j] += b[i * SIZE + j];
}
}
34](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-34-320.jpg)
![WriQng
Vectorizer-‐Friendly
Code
in
clang
• example.4#
– clang
-‐O3
-‐mllvm
-‐vectorize-‐loops
float test4(float * __restrict__ a, int n) {
float S = 0.0;
for (int i = 0; i n; i += 1)
S += a[i];
return S;
}
36](https://image.slidesharecdn.com/20130330x86-study-130329232150-phpapp01/85/LLVM-x86-36-320.jpg)
LLVMで遊ぶ（整数圧縮とか、x86向けの自動ベクトル化とか）
- 1. LLVMで遊ぶ 整数圧縮とか、x86向け自動ベクトル化とか 2013/3/30 maropu@x86/64最適化勉強会5 1
- 2. clang LLVMで遊ぶ 整数圧縮とか、x86向け自動ベクトル化とか 2013/3/30 maropu@x86/64最適化勉強会5 2
- 3. 本日の概要 • なんでお前clang（LLVM）の話してんの？ – RDBMS関連の話題で最近良く扱われるため勉強中 – 今書いている整数圧縮のコードをより高速化したい • 整数圧縮ライブラリ: vpacker – hCps://github.com/maropu/vpacker • clangのx86向け自動ベクトル化 – SIMDを使用した命令列への自動変換 3
- 4. LLVMとの出会い・・・ 4
- 5. DB業界におけるLLVMの利活用 • SQLによる関係代数の処理をLLVM-‐JITで改善 – 既存DBのSQL処理系*1は冗長的で非効率 *1SQLコンパイラとSQL実行エンジンのこと Thomas Neumann, Efficiently Compiling Efficient Query Plans for Modern Hardware, Proc. of VLDB’11 5
- 6. DB業界におけるLLVMの利活用 • Cloudera ImpalaにおけるLLVMの利用 • SQL対応の分散クエリエンジン • aggregaQon/join/scanの一部をJITで効率化 • hCps://github.com/cloudera/impala 引用: http://www.theregister.co.uk/2012/10/24/cloudera_hadoop_impala_real_time_query/ 6
- 7. 整数圧縮ライブラリ: vpacker 7
- 8. vpacker • 32/64-‐bit整数列を圧縮するライブラリ（C/C++/Java） – hCps://github.com/maropu/vpacker • 前提条件: 正の歪度をもつ整数列を効率的に圧縮 – 大半が小さい値で、稀に大きな値が発生 • ライブラリの特徴 – 少ないメモリ量で圧縮＆展開 – ILPを考慮した展開処理 -‐ γ/δ符号と比べて速い – 動的計画法による圧縮率の最適化 – ヘッダファイルの読み込みのみで使用可能 8
- 9. vpacker – 使い方 9
- 10. 近年の整数圧縮手法 ~1990’s ~2000’s ~2013 BP/SIMD-BP(2012) γ/δ/Variable-Byte符号 Varint-G8IU(2011) Simple9(2005) Simple16(2009) Simple8b(2010) VSEncoding(2010) PForDelta(2006) OPTPForDelta(2009) SIMD-FastPFor/SimplePFor(2012) 10
- 11. 近年の整数圧縮手法 ~1990’s ~2000’s ~2013 BP/SIMD-BP(2012) γ/δ/Variable-Byte符号 Varint-G8IU(2011) Simple9(2005) Simple16(2009) Simple8b(2010) - 現在、最速の手法で秒間2000M個整数を展開 - vpackerは20130330現在の実装で秒間600〜700M程度 VSEncoding(2010) PForDelta(2006) OPTPForDelta(2009) SIMD-FastPFor/SimplePFor(2012) 11
- 12. vpacker – 内部構造 • 圧縮データのバイナリフォーマット – 前半のディスクリプタ部と圧縮したデータ部で構成 ディスクリプタ部（desc） 圧縮データ部（in） 1-byteのディスクリプタの列 圧縮された整数データ 後半の圧縮したデータが どのように格納されているかを記録 12
- 13. vpacker – 内部構造 • 圧縮データのバイナリフォーマット ディスクリプタ部（desc） 圧縮データ部（in） 1-byteのデータに固定長1-bitで8個の整数が格納 void unpack1_8(const char *in, uint32_t *out) { *out++ = in[0] & 0x01; *out++ = (in[0] >> 1) & 0x01; *out++ = (in[0] >> 2) & 0x01; ... *out++ = (in[0] >> 7) & 0x01; } 13
- 14. vpacker – 内部構造 • 圧縮データのバイナリフォーマット 2-byteのデータに固定長2-bitで8個の整数が格納 ディスクリプタ部（desc） 圧縮データ部（in） 1-byteのデータに固定長1-bitで8個の整数が格納 void unpack2_8(const char *in, uint32_t *out) { *out++ = in[0] & 0x03; *out++ = (in[0] >> 2) & 0x03; *out++ = (in[0] >> 4) & 0x03; ... *out++ = (in[1] >> 6) & 0x03; } 14
- 15. vpacker – 内部構造 • 復元処理の動作概要 2-byteのデータに固定長2-bitで8個の整数が格納 ディスクリプタ部（desc） 圧縮データ部（in） 1-byteのデータに固定長1-bitで8個の整数が格納 while (1) { switch (*desc++) { case 1-bitで8個の整数を展開: unpack1_8(in, out); break; case 2-bitで8個の整数を展開: unpack2_8(in, out); break; ... } - VMのインタプリタ的な処理の流れ } - descは1-byteのため最大256分岐（分岐数は設計による） 15
- 16. vpacker – 内部構造 • LLVM-‐JITを用いてwhile-‐switchを軽量化 – 共通する復元処理をまとめることでjmp命令を除去 ディスクリプタ部（desc） 圧縮データ部（in） 「前提条件」より大半の復元処理は 一部の関数に集中 while (1) { switch (*desc++) { case 1-bitで8個の整数を展開: unpack1_8(in, out); break; case 2-bitで8個の整数を展開: unpack2_8(in, out); break; ... } } 16
- 17. vpacker – 内部構造 • 呼び出しが集中している関数を高速化 – 基本はSIMDを利用したデータ並列性の向上 ディスクリプタ部（desc） 圧縮データ部（in） 呼び出しが集中している関数を高速化 while (1) { switch (*desc++) { case 1-bitで8個の整数を展開: unpack1_8(in, out); break; case 2-bitで8個の整数を展開: unpack2_8(in, out); break; ... } } 17
- 18. gcc（v4.8）の自動ベクトル化 • この関数*1ってどんな機械語に変換されるの？ – 処理に依存関係が無く，ベクトル化しやすそうな印象 void unpack1(const char *in, uint32_t *out, int n) { for (int i = 0; i < n; i++) { *out++ = in[0] & 0x01; *out++ = (in[0] >> 1) & 0x01; *out++ = (in[0] >> 2) & 0x01; ... *out++ = (in[0] >> 7) & 0x01; } } *1 現実に即して，ループ回数（n）を指定できるように変更しました 18
- 19. gcc（v4.8）の自動ベクトル化 • この関数ってどんな機械語に変換されるの？ – 処理に依存関係が無く，ベクトル化しやすそうな印象 void unpack1(const char *in, uint32_t *out, int n) { for (int i = 0; i < n; i++) { *out++ = in[0] & 0x01; *out++ = (in[0] >> 1) & 0x01; *out++ = (in[0] >> 2) & 0x01; ... *out++ = (in[0] >> 7) & 0x01; } } 重要） コンパイルする前に自動ベクトル化されやすいように前処理 19
- 20. gcc（v4.8）の自動ベクトル化 • この関数ってどんな機械語に変換されるの？ – 処理に依存関係が無く，ベクトル化しやすそうな印象 void unpack1(const char *in, uint32_t *out, int n) { for (int i = 0; i < n; i++) { for (int j = 0; j < 8; j++) *out++ = (*in >> j) & 0x01; in++; } } gccの場合、SLP（Superword-Level Parallelism）による最適化より Loop Vectorizerに任せたほうが良いらしいです 20
- 21. gcc（v4.8）の自動ベクトル化 • この関数ってどんな機械語に変換されるの？ – 処理に依存関係が無く，ベクトル化しやすそうな印象 void unpack1(const char * __restrict__ in, uint32_t * __restrict__ out, int n) { for (int i = 0; i < n; i++) { for (int j = 0; j < 8; j++) *out++ = (*in >> j) & 0x01; in++; } } __restrict__を付与してin/outを呼び出し側で16Bにアライメント 21
- 22. gcc（v4.8）の自動ベクトル化 • 一部だけ抜粋 & 並び替え（’gcc -‐O3’） movdqu (%r9), %xmm1 // in - %xmm1 pxor %xmm2, %xmm2 pcmpgtb %xmm1, %xmm2 movdqa %xmm1, %xmm3 punpckhbw %xmm2, %xmm1 punpcklbw %xmm2, %xmm3 pxor %xmm2, %xmm2 movdqa %xmm3, %xmm4 pcmpgtw %xmm3, %xmm2 punpcklwd %xmm2, %xmm4 movdqa %xmm4, %xmm5 pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01] .... 22
- 23. gcc（v4.8）の自動ベクトル化 • 一部だけ抜粋 並び替え（’gcc -‐O3’） movdqu (%r9), %xmm1 // in - %xmm1 pxor %xmm2, %xmm2 pcmpgtb %xmm1, %xmm2 movdqa %xmm1, %xmm3 punpckhbw %xmm2, %xmm1 punpcklbw %xmm2, %xmm3 バイトからワードに符号拡張 pxor %xmm2, %xmm2 movdqa %xmm3, %xmm4 pcmpgtw %xmm3, %xmm2 punpcklwd %xmm2, %xmm4 ワードからダブルワードに符号拡張 movdqa %xmm4, %xmm5 pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01] .... 0x01でマスクして展開処理完了 23
- 24. gcc（v4.8）の自動ベクトル化 • 一部だけ抜粋 並び替え（’gcc -‐O3’） movdqu (%r9), %xmm1 // in - %xmm1 pxor %xmm2, %xmm2 pcmpgtb %xmm1, %xmm2 movdqa %xmm1, %xmm3 punpckhbw %xmm2, %xmm1 punpcklbw %xmm2, %xmm3 バイトからワードに符号拡張 pxor %xmm2, %xmm2 movdqa %xmm3, %xmm4 pcmpgtw %xmm3, %xmm2 punpcklwd %xmm2, %xmm4 ワードからダブルワードに符号拡張 ‘n 15’で分岐させてLoopを全てinline化するアグレッシブな最適化 movdqa %xmm4, %xmm5 →’n = 15’はベクトル化されていないパスに分岐 pand %xmm0, %xmm5 // %xmm1=[0x01, 0x01, 0x01, 0x01] .... 0x01でマスクして展開処理完了 24
- 25. clangのx86向け自動ベクトル化 25
- 26. clangと自動ベクトル化 • LLVM上に実装されたC/C++用フロントエンド – hCp://clang.llvm.org/index.html • Auto-‐VectorizaQon in LLVM – hCp://llvm.org/docs/Vectorizers.html • Linpackを用いた性能評価 – with loop vectorizaQon at -‐O3 running on a Sandybridge 自動ベクトル化の有無で 性能差が３倍程度！ 26
- 27. clangにおける２種類のVectorizer • Basic-‐Block(BB) Vectorizer – SLP in gcc – v3.1で” -‐mllvm –vectorize”として導入 – 最適化の対象が「Basic Block」 – 歴史的に実装されたのはコチラが先 • Loop Vectorizer – v3.2でようやく” -‐mllvm –vectorize-‐loops”として導入 – 「Unroll+BB Vectorizer」にLoop間依存解析を加えたもの – 自動ベクトル化の制約（v3.2のReleaseNotesより） • Loop枚のカウントは”1”のみ • InducQon変数は一番内側のLoopのみ使用可能 27
- 28. clangの自動ベクトル化パラメータ • clang-‐v3.2を利用（2013/3/30現在最新） – デフォルトで自動ベクトル化は全てOFF – v3.3からLoop Vectorizerはデフォルトに • -‐mllvm –vectorize, -‐mllvm –vectorize-‐loops – -‐O2/-‐O3との併用が必要 – -‐Osはコード増加が発生しない場合に適用 • -‐mllvm –bb-‐vectorize-‐aligned-‐only – アラインされたstore/loadのみを最適化に使用 • -‐mllvm –force-‐vector-‐width=X – 最適化で使用するベクトル要素数をXで指定 28
- 29. その他の補助パラメータ • -‐mllvm –unroll-‐allow-‐parQal – Loop内の部分的なUnrollを可能に • -‐mllvm –unroll-‐runQme – 実行時にLoopを数えてUnroll可能に • -‐funsafe-‐math-‐opQmizaQons, -‐ffast-‐math – 浮動小数点演算にIEEE/ISO仕様外の最適化を適用 • 他の関連するパラメータは以下の資料が詳しい – Auto-‐vectorizaQon with LLVM – hCp://llvm.org/devmtg/2012-‐04-‐12/Slides/Hal_Finkel.pdf 29
- 30. WriQng Vectorizer-‐Friendly Code in clang • example.1# – clang -‐O3 -‐mllvm -‐vectorize-‐loops void test1(float * __restrict__ a, float * __restrict__ b, int n) { for (int i = 0; i n; i++) a[i] += b[i]; } 30
- 31. WriQng Vectorizer-‐Friendly Code in clang • example.1# – clang -‐O3 -‐mllvm -‐vectorize-‐loops %rdiと%rsiは16Bに揃えてあるのに .LBB0_2: なぜかmovapsに変換されない？ movups 16(%rdi,%rax,4), %xmm1 movups 16(%rsi,%rax,4), %xmm0 addps %xmm1, %xmm0 movups (%rdi,%rax,4), %xmm1 movups (%rsi,%rax,4), %xmm2 movups %xmm0, 16(%rdi,%rax,4) addps %xmm1, %xmm2 movups %xmm2, (%rdi,%rax,4) addq $8, %rax cmpq %rax, %rcx jne .LBB0_2 31
- 32. WriQng Vectorizer-‐Friendly Code in clang • example.2# – clang -‐O3 -‐mllvm -‐vectorize-‐loops void test2(float * __restrict__ a, float * __restrict__ b, int n) { for (int i = 0; i n; i += 2) a[i] += b[i]; } 32
- 33. WriQng Vectorizer-‐Friendly Code in clang • example.2# – clang -‐O3 -‐mllvm -‐vectorize-‐loops .LBB0_2: movss (%rsi,%rax,4), %xmm0 addss (%rdi,%rax,4), %xmm0 movss %xmm0, (%rdi,%rax,4) addq $2, %rax cmpl %edx, %eax jl .LBB0_2 33
- 34. WriQng Vectorizer-‐Friendly Code in clang • example.3# – clang -‐O3 -‐mllvm -‐vectorize-‐loops void test3(float * __restrict__ a, float * __restrict__ b, int n) { for (int i = 0; i n; i += 1) { for (int j = 0; j SIZE; j++) a[i * SIZE + j] += b[i * SIZE + j]; } } 34
- 35. WriQng Vectorizer-‐Friendly Code in clang • example.3# – clang -‐O3 -‐mllvm -‐vectorize-‐loops .LBB1_22: # = The Inner Loop movups (%rbx), %xmm2 movups 16(%rbx), %xmm1 movups (%rax), %xmm0 movups 16(%rax), %xmm3 addps %xmm2, %xmm0 addps %xmm1, %xmm3 movups %xmm3, 16(%rbx) movups %xmm0, (%rbx) addq $32, %rbx addq $32, %rax addq $-8, %rdi jne .LBB1_22 35
- 36. WriQng Vectorizer-‐Friendly Code in clang • example.4# – clang -‐O3 -‐mllvm -‐vectorize-‐loops float test4(float * __restrict__ a, int n) { float S = 0.0; for (int i = 0; i n; i += 1) S += a[i]; return S; } 36
- 37. WriQng Vectorizer-‐Friendly Code in clang • example.4# – clang -‐O3 -‐mllvm -‐vectorize-‐loops .LBB0_1: addss (%rdi), %xmm0 addq $4, %rdi decl %esi jne .LBB0_1 浮動小数点演算は結合則が成り立たないため、こういう命令列に →clangにも’-ffast-math’があるが、出力する命令は同じだった 37
- 38. WriQng Vectorizer-‐Friendly Code in clang • example.4# – gcc -‐O3 -‐ffast-‐math .L33: addps (%rax), %xmm0 addq $16, %rax cmpq %rdx, %rax jne .L33 movaps %xmm0, %xmm1 movhlps %xmm0, %xmm1 addps %xmm0, %xmm1 movaps %xmm1, %xmm0 shufps $85, %xmm1, %xmm0 addps %xmm1, %xmm0 unpcklps %xmm0, %xmm0 38
- 39. WriQng Vectorizer-‐Friendly Code in clang • example.4# – gcc -‐O3 -‐ffast-‐math ベクトル加算して .L33: addps (%rax), %xmm0 addq $16, %rax cmpq %rdx, %rax jne .L33 水平加算 movaps %xmm0, %xmm1 movhlps %xmm0, %xmm1 addps %xmm0, %xmm1 movaps %xmm1, %xmm0 shufps $85, %xmm1, %xmm0 addps %xmm1, %xmm0 unpcklps %xmm0, %xmm0 39
- 40. 最後に・・・ 40
- 41. clangが出力する「unpack1」 • 一部だけ抜粋（’ clang -‐S -‐O3 -‐mllvm -‐vectorize’） movsbl (%rdi), %eax # *in - %eax movd %eax, %xmm0 pshufd $0, %xmm0, %xmm4 pshufd $68, %xmm4, %xmm3 pand %xmm8, %xmm4 movl %eax, %ecx ... shrq $2, %r10 movd %r10, %xmm0 punpcklqdq %xmm7, %xmm0 pand 人類には早すぎる難解なアセンブリが出力された・・・ %xmm1, %xmm0 pshufd →nの値でunrollはしないgccに比べてコンサバな最適化 $-128, %xmm0, %xmm7 movss %xmm6, %xmm7 movlhps %xmm7, %xmm5 shufps $-30, %xmm7, %xmm5 movups %xmm5, (%rsi) # %xmm5 - dst 41
- 42. gcc-‐4.8 vs clang-‐3.2 • 「unapack1」の性能比較 • Intel Core i5-‐[email protected]を使用 n=15 n=16 n=32 n=64 gcc 0.051us 0.040us 0.073us 0.152us clang 0.105us 0.110us 0.224us 0.446us raQo x2.1 x2.7 x3.1 x3.0 ベクトル化された状態で約3倍の性能差 42
- 43. 本日のまとめ 43
- 44. 本日のまとめ • clang-‐v3.2の自動ベクトル化の性能調査 – 基本的なものは自動的にベクトル化される – 処理が複雑になるとgccに対して2～3倍程度の性能差も • ‘Vectorizer-‐Friendly’はまだまだ重要 – 完全にコンパイラ任せ，というわけには現在いかない – 256-‐bit, 512-‐bit, ...とベクトル長が増えると性能差は拡大 44
- 45. 本日のまとめ • 自動ベクトル化のためのコード規約 1. ポインタのエイリアスは避ける ・必要な個所では__restrict__を付ける 2. ベクトル長の境界に合わせる ・__builQn_assume_aligned(X), __aCribute__((aligned(X))の活用 3. Loop内の手作業のinline化は避ける ・Loop Vectorizerに任せたほうが賢い 45