Я модифицирую RNNLM нейронную сеть для изучения языковой модели. Однако, учитывая размер моего корпуса, он работает очень медленно. Я пытался оптимизировать подпрограмму матрицы * вектора (на которую приходится 63% общего времени для небольшого набора данных (я ожидал, что он будет хуже на больших наборах)). Прямо сейчас я застрял с внутренностями.

    for (b=0; b<(to-from)/8; b++) 
    {
        val = _mm256_setzero_ps();
        for (a=from2; a<to2; a++) 
        {
            t1 = _mm256_set1_ps (srcvec.ac[a]);
            t2 = _mm256_load_ps(&(srcmatrix[a+(b*8+from+0)*matrix_width].weight));
            //val =_mm256_fmadd_ps (t1, t2, t3)
            t3 = _mm256_mul_ps(t1,t2);
            val = _mm256_add_ps (val, t3);
        }
        t4 = _mm256_load_ps(&(dest.ac[b*8+from+0]));
        t4 = _mm256_add_ps(t4,val);
        _mm256_store_ps (&(dest.ac[b*8+from+0]), t4);
    }

Этот пример падает на:

_mm256_store_ps (&(dest.ac[b*8+from+0]), t4);

Однако, если я перейду на

_mm256_storeu_ps (&(dest.ac[b*8+from+0]), t4);

(с тобой для выравнивания я полагаю) все работает, как задумано. Мой вопрос: почему бынагрузка работать (тогда как не предполагается, если данные не выровнены), а хранилище - нет. (кроме того, оба работают по одному и тому же адресу).

dest.ac были выделены с использованием

void *_aligned_calloc(size_t nelem, size_t elsize, size_t alignment=64)
{
    size_t max_size = (size_t)-1;

    // Watch out for overflow
    if(elsize == 0 || nelem >= max_size/elsize)
        return NULL;

    size_t size = nelem * elsize;
    void *memory = _mm_malloc(size+64, alignment);
    if(memory != NULL)
        memset(memory, 0, size);
    return memory;
}

и это по крайней мере 50 элементов длиной. (Кстати, с VS2012 у меня есть недопустимая инструкция для некоторого случайного назначения, поэтому я использую linux.)

заранее спасибо, Аркантус.