C++性能优化系列——百倍加速比的矩阵转置性能调优

打算写一个矩阵转置分别在CPU和GPU平台的性能优化的系列，在最开始把测试环境等一些基本情况交代清楚，并在这里持续更新优化的结果。

机器配置

为了方便各位对比性能，介绍一下我的测试机器配置。
CPU Intel 9900k，程序主要与主频和缓存密切相关，参考如下：

公用函数

void TestTranspose(int i,int iAlign,int iVerify)
	{
		/*typedef*/ void (*Funcp[20])(unsigned char*, unsigned char*);
		void (*TargetFunc)(unsigned char*, unsigned char*);
		Funcp[0] = SimdTransposeBlock16;
		Funcp[1] = SimdTransposeBlock16Pad;
		Funcp[2] = SimdTransposeBlock8ColPad;
		Funcp[3] = SimdTransposeBlock8RowPad;
		Funcp[4] = SimdTransposeBlock16PadParallel;
		Funcp[5] = SimdTransposeBlock8RowPadPrefetch;
		Funcp[6] = SimdTransposeBlock8RowPPP;
		Funcp[7] = IPPTranspose;
		TargetFunc = Funcp[i];
		unsigned char* pSource;
		unsigned char* pTarget;
		
		if (iAlign)
		{
			pSource = (unsigned char*)malloc(sizeof(unsigned char) * NSLICE);
			for (int irow = 0; irow < NROW; ++irow)
			{
				memset(pSource + irow * NCOL, irow % 256, sizeof(unsigned char) * NCOL);//按照字节赋值
			}

			pTarget = (unsigned char*)malloc(sizeof(unsigned char) * NSLICE);
			for (int irow = 0; irow < NROW; ++irow)
			{
				memset(pTarget + irow * NCOL, irow % 256, sizeof(unsigned char) * NCOL);//按照字节赋值
			}
		}
		else
		{
			pSource = (unsigned char*)malloc(sizeof(unsigned char) * NREALCOL * NROW);
			for (int irow = 0; irow < NROW; ++irow)
			{
				memset(pSource + irow * (NREALCOL), irow % 256, sizeof(unsigned char) * (NREALCOL));//按照字节赋值
			}
			
			pTarget = (unsigned char*)malloc(sizeof(unsigned char) * NSLICE);
			for (int irow = 0; irow < NROW; ++irow)
			{
				memset(pTarget + irow * NCOL, irow % 256, sizeof(unsigned char) * NCOL);//按照字节赋值
			}
		}
		TargetFunc(pSource, pTarget);

		/*unsigned char* pNavi;
		InitMem(pNavi);
		
		if (iAlign)
		{
			NavTranspose(pSource, pNavi);
			Verify(pNavi, pTarget);
		}
		else
		{
			NavTransposePad(pSource, pNavi);
			Verify(pNavi, pTarget);
		}
		
		FreeMem(pNavi);*/

		FreeMem(pTarget);
		FreeMem(pSource);
	}

优化情况

CPU平台上对元素为char类型，尺寸为1024 * 1024，内存1M的矩阵转置，分别从内存访问，向量化，多线程并行化三个角度优化，执行情况如下：

性能对比：
1.在CPU平台上原始转置方法执行时间：2.68945ms，最终优化转置方法执行时间：0.0200195ms，得到加速比约135倍。
2.单线程下与Intel IPP转置函数对比性能，其中IPP 0.0822266ms，Intrinsic最快达到0.0669922ms，速度快于IPP。获得加速比为1.227 。

传送门

CPU性能优化系列——矩阵转置(一)访问内存顺序带来的性能差异

CPU性能优化系列——矩阵转置(二)循环分块优化缓存访问

CPU性能优化系列——矩阵转置(三)内存填充避免缓存抖动

CPU性能优化系列——矩阵转置(四)OpenMP并行计算

CPU性能优化系列——矩阵转置(六)Intrinsic转置实现与Core Bound优化

CPU性能优化系列——矩阵转置(七)Intrinsic 内存预取与OpenMP多线程并行化

CPU性能优化系列——矩阵转置(八)IPP转置API性能测试