我用这个做了测试
for (i32 i = 0; i < 0x800000; ++i)
{
// Hopefully this can disable hardware prefetch
i32 k = (i * 997 & 0x7FFFFF) * 0x40;
_mm_prefetch(data + ((i + 1) * 997 & 0x7FFFFF) * 0x40, _MM_HINT_NTA);
for (i32 j = 0; j < 0x40; j += 0x10)
{
//__m128 v = _mm_castsi128_ps(_mm_stream_load_si128((__m128i *)(data + k + j)));
__m128 v = _mm_load_ps((float *)(data + k + j));
a_single_chain_computation
//_mm_stream_ps((float *)(data2 + k + j), v);
_mm_store_ps((float *)(data2 + k + j), v);
}
}
结果很奇怪。
- 无论有多少时间
a_single_chain_computation
需要注意的是,加载延迟并未被隐藏。
- 更重要的是,随着我添加更多计算,所花费的额外总时间也会增加。 (与单个
v = _mm_mul_ps(v, v)
,预取大约节省 0.60 - 0.57 = 0.03s。并与 16v = _mm_mul_ps(v, v)
,大约节省 1.1 - 0.75 = 0.35s。为什么?)
- 无论是否预取,非临时加载/存储都会降低性能。 (我可以理解负载部分,但为什么商店也能理解?)
您需要在这里区分两个不同的东西(不幸的是它们具有相似的名称):
非临时预取 - 这将预取该行,但在填充缓存时将其写入最近最少使用的行,因此当您下次使用同一组时,它将成为第一个被逐出的行。这让你有足够的时间来实际使用它(除非你非常不幸),但不会浪费超过该集合中的一个路径,因为下一个预取将取代它。顺便说一句,关于您上面的评论 - 每次预取都会污染 L3 缓存,它是包容性的,所以如果没有它,您就无法逃脱。
非临时(流)加载/存储 - 这也不会污染缓存,但使用完全不同的机制使它们不可缓存(以及写入组合)。这确实会对性能造成影响即使你真的不再需要这些行,因为可缓存写入可以在缓存中保留缓冲直到被逐出,所以您不必立即将其写出。对于不可缓存的情况,在某些情况下,它可能会干扰您的内存带宽。另一方面,您可以获得写入组合和弱排序的好处,这可能会给您带来一些优势(在某些情况下)。这里的底线是,您应该仅在有帮助时才使用它,不要认为它会神奇地提高性能(现在没有什么能做到这一点......)
关于你的问题——
您的预取应该可以工作,但还不够早,无法产生影响。尝试更换i+1
数量较多。实际上,甚至可以进行一次扫描,看看您应该提前查看多少元素,这会很有趣。
我猜这与 1 相同 - 有 16 个 muls,你的迭代足够长,可以让预取工作
正如我所说 - 您的存储不会受益于较低级别缓存中的缓冲,并且必须刷新到内存。这就是流媒体商店的缺点。当然,它是特定于实现的,因此它可能会有所改进,但目前并不总是有效。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)