浮点运算 (FLOPs) 的定义是什么答案

【问题标题】：What is the definition of Floating Point Operations ( FLOPs )浮点运算 (FLOPs) 的定义是什么
【发布时间】：2018-09-10 12:59:27
【问题描述】：

我正在尝试使用 SIMD 优化我的代码（在 ARM CPU 上），并且想知道它的算术强度（触发器/字节，AI）和 FLOPS。

为了计算 AI 和 FLOPS，我必须计算浮点运算（FLOPs）的数量。但是，我找不到任何准确的 FLOP 定义。
当然，mul、add、sub、div 显然是 FLOP，但是移动操作、洗牌操作（例如 _mm_shuffle_ps）、设置操作（例如 _mm_set1_ps）、转换操作（例如_mm_cvtps_pi32) 等？
它们是处理浮点值的操作。我应该把它们算作 FLOPs 吗？如果不是，为什么？
Intel VTune 和 Nvidia 的 nvprof 或 PMU 等分析器通常计算哪些操作？

编辑：
What all operations does FLOPS include?
这个问题主要是关于数学上的复杂运算。
我还想知道处理以浮点值或向量作为输入的“非数学”运算的标准方法。

【问题讨论】：

mul、add、sub 和 div 是不是浮点运算。它们对整数进行操作。 FLOPs 以ps 或sd 等结尾。
What all operations does FLOPS include?的可能重复
我应该说*, +, -, /，我问的是更多关于 FLOP 的一般性问题。
你是在问非浮点机器码，如软浮点等是否算作浮点运算。
不，我的问题很简单：例如，_mm_shuffle_ps 将 2 个浮点向量作为输入，所以这个操作是一个浮点操作。是这样吗？

标签： performance benchmarking simd hpc flops

【解决方案1】：

对 FP 值的随机/混合不被视为 FLOP。它们只是在不纯粹的“垂直”问题上使用 SIMD 的开销，或者对于您使用混合无分支进行的分支问题。

FP AND/OR/XOR 都不是。您可以尝试使用andps (_mm_and_ps) 来证明计算 FP 绝对值的合理性，但通常不计算在内。 FP abs 不需要查看指数/有效数，或标准化结果，或任何使 FP 执行单元变得昂贵的事情。 abs (AND) / sign-flip (XOR) 或 makenegative (OR) 是微不足道的按位运算。

FMA 通常被计为两个浮点运算（mul 和 add），即使它是与 SIMD FP add 或 mul 具有相同（或相似）性能的单条指令。 raw FLOP/s 的瓶颈最重要的问题是 matmul，它确实需要 mul 和 add 的等量混合，并且可以完美地利用 FMA。

所以 Haswell 核心的 FLOP/s 是

它的 SIMD 向量宽度（每个向量 8 个 float 元素）
每时钟乘以 SIMD FMA (2)
每个 FMA 的 FLOP 倍数 (2)
倍时钟速度（在最大化两个 FMA 单元的同时它可以维持的最大单核 turbo；长期取决于冷却，短期仅取决于功率限制）。

对于整个 CPU，而不仅仅是单个内核：乘以内核数量并使用所有内核繁忙时的最大持续时钟速度，通常低于完全具有 Turbo 的 CPU 上的单核 turbo。）

Intel 和其他 CPU 供应商没有考虑到他们的 CPU 还可以维持一个 vandps 与每个时钟 2 个 vfma132ps 指令并行的事实，因为 FP abs 不是一个困难的操作。

另见How do I achieve the theoretical maximum of 4 FLOPs per cycle?。（在现代 CPU 上实际上超过 4 个：P）

如果您有很多其他开销占用前端带宽或造成其他瓶颈，则无法实现峰值 FLOPS（每秒 FP 操作数或 FLOP/s）。该指标只是您在直线运行时可以做的原始数学量，而不是针对任何具体的实际问题。

尽管人们会认为如果理论上的峰值翻牌率远高于精心手动调整的 matmul 或 Mandelbrot 所能达到的水平，即使对于编译时间恒定的问题大小，也是愚蠢的。例如如果前端跟不上任何商店和 FMA 的步伐。例如如果 Haswell 有四个 FMA 执行单元，那么它只能在每条指令都是 FMA 的情况下维持最大 FLOP。内存源操作数可以为负载进行微熔断，但在不影响吞吐量的情况下没有存储空间。

英特尔甚至没有 3 个 FMA 单元的原因是，大多数实际代码很难使 2 个 FMA 单元饱和，尤其是只有 2 个加载端口和 1 个存储端口。它们几乎一直都被浪费掉了，而且 256 位 FMA 单元需要大量的晶体管。

（Ice Lake 将管道的发布/重命名阶段扩大到 5 微秒/时钟，但也使用 AVX-512 将 SIMD 执行单元扩大到 512 位，而不是添加第三个 256 位 FMA 单元。它有 2 个/时钟加载和 2/时钟存储，尽管存储吞吐量仅对 32 字节或更窄存储的 L1d 缓存可持续，而不是 64 字节。）

【讨论】：

【解决方案2】：

在优化方面，通常的做法是仅在代码的热点上测量 FLOP，例如，卷积中的浮点乘法和累加操作的数量。这主要是因为其他操作可能微不足道或不可替代，因此不能用于任何类型的优化。

例如，ARMv7 Reference Manual 中 A4.13 中向量浮点指令下的所有指令都属于浮点运算，因为 FPU 指令的 FLOPs/Cycle 通常在处理器中是恒定的。

不仅仅是 ARM，许多微处理器都有一个专用的浮点单元，因此当您测量 FLOP 时，您就是在测量这个单元的速度。有了这个和 FLOPs/cycle，您可以或多或少地计算出理论上的峰值性能。

但是，FLOP 需要谨慎对待，因为它们只能用于大致估计代码的速度，因为它们无法考虑处理器运行的其他条件。这就是为什么在大多数情况下，只为您的热点（通常是算术运算）计算 FLOP 或多或少就足够了。

话虽如此，FLOP 可以作为两段繁重代码的比较指标，但并不能说明您的代码本身。

【讨论】：