Für die folgende Schleife wird GCC die Schleife nur vektorisieren, wenn ich ihr befehle, assoziative Mathematik zu verwenden, z. mit-Ofast.

float sumf(float *x)
{
  x = (float*)__builtin_assume_aligned(x, 64);
  float sum = 0;
  for(int i=0; i<2048; i++) sum += x[i];
  return sum;
}

ier ist die Montage mit-Ofast -mavx

sumf(float*):
    vxorps  %xmm0, %xmm0, %xmm0
    leaq    8192(%rdi), %rax
.L2:
    vaddps  (%rdi), %ymm0, %ymm0
    addq    $32, %rdi
    cmpq    %rdi, %rax
    jne .L2
    vhaddps %ymm0, %ymm0, %ymm0
    vhaddps %ymm0, %ymm0, %ymm1
    vperm2f128  $1, %ymm1, %ymm1, %ymm0
    vaddps  %ymm1, %ymm0, %ymm0
    vzeroupper
    ret

Dies zeigt deutlich, dass die Schleife vektorisiert wurde.

Aber diese Schleife hat auch eine Abhängigkeitskette. Um die Latenz des Zusatzes zu überwinden, muss ich mindestens dreimal auf x86_64 abrollen und Teilsummen ausführen (ausgenommen Skylake, das achtmal abrollen muss, und das Hinzufügen mit FMA-Anweisungen, die zehnmal auf Haswell und Broadwell abrollen müssen). . Soweit ich weiß, kann ich die Schleife mit @ abrolle-funroll-loops.

ier ist die Montage mit-Ofast -mavx -funroll-loops.

sumf(float*):
    vxorps  %xmm7, %xmm7, %xmm7
    leaq    8192(%rdi), %rax
.L2:
    vaddps  (%rdi), %ymm7, %ymm0
    addq    $256, %rdi
    vaddps  -224(%rdi), %ymm0, %ymm1
    vaddps  -192(%rdi), %ymm1, %ymm2
    vaddps  -160(%rdi), %ymm2, %ymm3
    vaddps  -128(%rdi), %ymm3, %ymm4
    vaddps  -96(%rdi), %ymm4, %ymm5
    vaddps  -64(%rdi), %ymm5, %ymm6
    vaddps  -32(%rdi), %ymm6, %ymm7
    cmpq    %rdi, %rax
    jne .L2
    vhaddps %ymm7, %ymm7, %ymm8
    vhaddps %ymm8, %ymm8, %ymm9
    vperm2f128  $1, %ymm9, %ymm9, %ymm10
    vaddps  %ymm9, %ymm10, %ymm0
    vzeroupper
    ret

GCC rollt die Schleife achtmal ab. Es werden jedoch keine unabhängigen Summen berechnet. Es macht acht abhängige Summen. Das ist sinnlos und nicht besser als ohne Abrollen.

Wie kann ich GCC dazu bringen, die Schleife abzuwickeln und unabhängige Teilsummen durchzuführen?

Bearbeiten

Clang rollt sich auch ohne @ auf vier unabhängige Teilsummen -funroll-loops für SSE, aber ich bin nicht sicher, ob der AVX-Code so effizient ist. Der Compiler sollte @ nicht brauch-funroll-loops mit-Ofast Trotzdem ist es gut zu sehen, dass Clang dies zumindest für SSE richtig macht.

Clang 3.5.1 mit-Ofast.

sumf(float*):                              # @sumf(float*)
    xorps   %xmm0, %xmm0
    xorl    %eax, %eax
    xorps   %xmm1, %xmm1
.LBB0_1:                                # %vector.body
    movups  (%rdi,%rax,4), %xmm2
    movups  16(%rdi,%rax,4), %xmm3
    addps   %xmm0, %xmm2
    addps   %xmm1, %xmm3
    movups  32(%rdi,%rax,4), %xmm0
    movups  48(%rdi,%rax,4), %xmm1
    addps   %xmm2, %xmm0
    addps   %xmm3, %xmm1
    addq    $16, %rax
    cmpq    $2048, %rax             # imm = 0x800
    jne .LBB0_1
    addps   %xmm0, %xmm1
    movaps  %xmm1, %xmm2
    movhlps %xmm2, %xmm2            # xmm2 = xmm2[1,1]
    addps   %xmm1, %xmm2
    pshufd  $1, %xmm2, %xmm0        # xmm0 = xmm2[1,0,0,0]
    addps   %xmm2, %xmm0
    retq

ICC 13.0.1 mit-O3 rollt sich auf zwei unabhängige Teilsummen ab. ICC nimmt anscheinend assoziative Mathematik mit nur @ -O3.

.B1.8: 
    vaddps    (%rdi,%rdx,4), %ymm1, %ymm1                   #5.29
    vaddps    32(%rdi,%rdx,4), %ymm0, %ymm0                 #5.29
    vaddps    64(%rdi,%rdx,4), %ymm1, %ymm1                 #5.29
    vaddps    96(%rdi,%rdx,4), %ymm0, %ymm0                 #5.29
    addq      $32, %rdx                                     #5.3
    cmpq      %rax, %rdx                                    #5.3
    jb        ..B1.8        # Prob 99%                      #5.3