将 SSE 矩阵向量乘法代码转换为 AVX

Posted 2023-02-16

【中文标题】将 SSE 矩阵向量乘法代码转换为 AVX

【英文标题】：Convert SSE matrix-vector multiplication code to AVX

【发布时间】：2015-11-21 16:44:53

【问题描述】：

我正在尝试将我的 SSE 函数转换为 AVX。该函数执行向量矩阵乘法，这是我的工作 SSE 代码：

void multiply_matrix_by_vector_SSE(float* m, float* v, float* result, unsigned const int vector_dims)

    size_t i, j;
    for (i = 0; i < vector_dims; ++i)
    
        __m128 acc = _mm_setzero_ps();
        for (j = 0; j < vector_dims; j += 4)
        
            __m128 vec = _mm_load_ps(&v[j]);
            __m128 mat = _mm_load_ps(&m[j + vector_dims * i]);
            //acc = _mm_add_ps(acc, _mm_mul_ps(mat, vec));
            acc = _mm_fmadd_ps(mat, vec, acc);
        
        acc = _mm_hadd_ps(acc, acc);
        acc = _mm_hadd_ps(acc, acc);
        _mm_store_ss(&result[i], acc);
    

这就是我对 AVX 的看法：

void multiply_matrix_by_vector_AVX(float* m, float* v, float* result, unsigned const int vector_dims)

    size_t i, j;

    for (i = 0; i < vector_dims; ++i)
    
        __m256 acc = _mm256_setzero_ps();
        for (j = 0; j < vector_dims; j += 8)
        
            __m256 vec = _mm256_load_ps(&v[j]);
            __m256 mat = _mm256_load_ps(&m[j + vector_dims * i]);
            acc = _mm256_fmadd_ps(mat, vec, acc);
        
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);
        acc = _mm256_hadd_ps(acc, acc);

        _mm256_store_ps(&result[i], acc);
    

但是，AVX 代码崩溃 (Access violation reading location 0xFFFFFFFFFFFFFFFF)。

---

谁能帮我让我的 AVX 功能正常工作？

PS：我在函数中传递的矩阵和向量的大小始终是 8 的倍数。此外，我传递给我的 SSE 函数的数组是 16 位对齐的 (__declspec(align(16))float* = generate_matrix(256);)，我传递给我的数组AVX 函数是 32 位对齐的 (__declspec(align(32))float* = generate_matrix(256););

【参考方案1】：

不幸的是，使用这样的水平添加并不能轻易扩展到 256 位，因为指令（和大多数其他指令）是“单向的”——它的行为就像两个 haddps 并行，一个在上半部分，一个在上半部分下半部分，没有混合，所以下半部分和上半部分不会加在一起。

当然，它仍然不是打包结果，并且打包存储有一个对齐存储写入某个未对齐的地址并且会失败（该错误有点奇怪，但无论如何）。

无论如何，让我们修复水平总和：（未测试）

// this part still works
acc = _mm256_hadd_ps(acc, acc);
acc = _mm256_hadd_ps(acc, acc);
// this is new
__m128 acc1 = _mm256_extractf128_ps(acc, 0);
__m128 acc2 = _mm256_extractf128_ps(acc, 1);
acc1 = _mm_add_ss(acc1, acc2);
// do scalar store, obviously
_mm_store_ss(&result[i], acc1);

顺便说一句，内循环需要 10 个独立的链（和 10 个累加器）才能最大限度地提高 Haswell 的吞吐量。