如何自动矢量化数组比较功能

Question

这是post 的后续内容。免责声明：我做了零分析，甚至没有应用程序，这纯粹是为了让我了解更多关于矢量化的知识。

我的代码如下。我正在使用 i3 m370 的机器上使用 gcc 4.9.4 进行编译。第一个循环按照我的预期进行矢量化。但是，检查 temp 的每个元素的第二个循环不是向量化的 AFAICT，带有所有“andb”指令。我希望它可以用_mm_test_all_ones 之类的东西进行矢量化。该循环如何也可以矢量化？第二个问题，我真的希望这是一个更大循环的一部分。如果我取消注释下面的内容，则不会对任何内容进行矢量化。我怎样才能把它矢量化？

#define ARR_LENGTH 4096
#define block_size 4
typedef float afloat __attribute__ ((__aligned__(16)));

char all_equal_2(afloat *a, afloat *b){
    unsigned int i, j;
    char r = 1;
    unsigned int temp[block_size] __attribute__((aligned(16)));
    //for (i=0; i<ARR_LENGTH; i+=block_size){

        for (j = 0; j < block_size; ++j) {
            temp[j] = (*a) == (*b);
            a++;
            b++;
        }

        for (j=0; j<block_size; j++){
            r &= temp[j];
        }

        /*if (r == 0){
            break;
        }
    }*/
    return r;
}

以及生成的程序集的关键部分：

.cfi_startproc
    movaps  (%rdi), %xmm0
    cmpeqps (%rsi), %xmm0
    movdqa  .LC0(%rip), %xmm1
    pand    %xmm0, %xmm1
    movaps  %xmm1, -24(%rsp)
    movl    -24(%rsp), %eax
    andl    $1, %eax
    andb    -20(%rsp), %al
    andb    -16(%rsp), %al
    andb    -12(%rsp), %al
    ret
    .cfi_endproc

更新： 这个post 类似于我的第一个问题。在那个问题中，向量是一个原始指针，因此段错误是可能的，但这不是问题。因此，AFAIK 重新排序比较操作在这里是安全的，但在那里不安全。结论可能是一样的。

Answer 1

自动向量化真的很喜欢归约操作，所以诀窍就是把它变成归约。

#define ARR_LENGTH 4096
typedef float afloat __attribute__ ((__aligned__(16)));
int foo(afloat *a, afloat *b){
    unsigned int i, j;
    unsigned int result;
    unsigned int blocksize = 4;
    for (i=0; i<ARR_LENGTH; i+=blocksize){
        result = 0;
        for (j=0; j<blocksize; j++){
            result += (*a) == (*b);
            a++;
            b++;
        }
        if (result == blocksize){
            blocksize *= 2;
        } else {
            break;
        }
    }
    blocksize = ARR_LENGTH - i;
    for (i=0; i<blocksize; i++){
        result += (*a) == (*b);
        a++;
        b++;
    }
    return result == i;
}

编译成一个不错的循环：

.L3:
        movaps  (%rdi,%rax), %xmm1
        addl    $1, %ecx
        cmpeqps (%rsi,%rax), %xmm1
        addq    $16, %rax
        cmpl    %r8d, %ecx
        psubd   %xmm1, %xmm0
        jb      .L3

Answer 2

所以你的循环很小而且它是递归的：迭代 N 的结果被用作迭代 N+1 的输入。 如果您更改第二个循环以允许每次迭代进行 2 次操作：

        char r2 = r;
    for (j=0; j<block_size/2; j+=2){
        r &= temp[j];
        r2 &=temp[j+1];
    }
    r &= r2;

您会看到输出已优化

.cfi_def_cfa_register %rbp
vmovss  (%rdi), %xmm0           ## xmm0 = mem[0],zero,zero,zero
vmovss  4(%rdi), %xmm1          ## xmm1 = mem[0],zero,zero,zero
vucomiss    (%rsi), %xmm0
sete    %al
vucomiss    4(%rsi), %xmm1
sete    %cl
andb    %al, %cl
movzbl  %cl, %eax
popq    %rbp
retq
.cfi_endproc

最后一点，在优化代码并启用外循环后，我看到了一些优化。您是否更改了编译选项？