C言語でのARMv7でのプリフェッチ

Question

Cで2つの行列の間にKhatri Raoプロダクトを実装する必要があります。数学的には、これはデータの主なアクセスであり、変更できません。しかし、プリロード（ARMv7でPLD命令）を使用して次のループの各データをプリフェッチすると、行の主なデータアクセスを使用する代わりにパフォーマンスの問題が解決されます。

「はい」の場合は正しくプリロードするにはどうすればよいですか？

以下の私のプリロード・コードを確認してください、

void khatrirao_pref(double *C, double *A, double *B, 
        int nmax, int mmax, int pmax) 
{ 
    int i,k,l; 
    for (i=0;i<nmax;i++) 
    { 
    for (k=0;k<mmax;k++) 
     { 
     asm("PLD [%0]\n\t" :: "r" (A+i+((nmax+1)*k)));  
     for (l=0;l<pmax;l++) 
    { 
      asm("PLD [%0]\n\t" :: "r" (B+i+((nmax+1)*l))); 
      C[i+(nmax*((k*pmax)+l))]=A[i+(nmax*k)]*B[i+(nmax*l)]; 
    }}} 
} 

Answer 1

プリロード命令は、同様に、独自のコストを持っています。通常は、実際に読んでいるときより先にあらかじめ読み込み、慎重にプロファイルしたいと思っています。

これは、gccまたはclangの場合、明示的なインラインasmではなく、__builtin_prefetchを使用したほうが、サポート対象のPLD（ARMv5TE以降）ではコンパイルされますが、それ以外は無害です。私はいくつかの例で、実世界の使用状況を示す、このブログの記事を見つけました：

http://www.naftaliharris.com/blog/2x-speedup-with-one-line-of-code/

これはまた、PLDの使用方法を理解する上で非常に役立つリンクです：このページショーという

http://infocenter.arm.com/help/topic/com.arm.doc.faqs/ka13544.html

注意PLDを使用することは時には不利になることがあります。私の推測では、少なくともあなたの内側のループでそれを発行したくないということです。間違いなく別のケースを試してみるべきです。

マトリクスの最も一般的なサイズに応じて、特定のnmax/mmax値の特別な場合にも有益です。