gccを使用したYMM命令を使用した配列の追加

Question

gcc（Intel & T構文）で次のコードを実行します。

; float a[128], b[128], c[128]; 
; for (int i = 0; i < 128; i++) a[i] = b[i] + c[i]; 
; Assume that a, b and c are aligned by 32 
     xor ecx, ecx    ; Loop counter i = 0 
L: vmovaps ymm0, [b+rcx]  ; Load 8 elements from b 
     vaddps ymm0,ymm0,[c+rcx] ; Add 8 elements from c  
     vmovaps [a+rcx], ymm0  ; Store result in a 
     add ecx,32    ; 8 elements * 4 bytes = 32 
     cmp ecx, 512    ; 128 elements * 4 bytes = 512 
     jb L      ;Loop 

コードはOptimizing subroutines in assembly languageです。

私がこれまでに書いたコードは次のとおりです。私はこのような何かを取得したい（GDBのを逆アセンブルから除く）

0x0000000000000b78 <+19>: vmovaps -0x10(%rbp),%ymm0 
0x0000000000000b7d <+24>: vaddps -0x18(%rbp),%ymm0,%ymm0 

：

static inline void addArray(float *a, float *b, float *c) { 
__asm__ __volatile__ (
    "nop       \n" 
    "xor  %%ecx, %%ecx  \n" //;Loop counter set to 0 
    "loop: \n\t" 
    "vmovaps %1, %%ymm0   \n" //;Load 8 elements from b <== WRONG 
    "vaddps  %2, %%ymm0, %%ymm0 \n" //;Add 8 elements from c <==WRONG 
    "vmovaps %%ymm0, %0   \n" //;Store result in a 
    "add  0x20, %%ecx   \n" //;8 elemtns * 4 bytes = 32 (0x20) 
    "cmp  0x200,%%ecx   \n" //;128 elements * 4 bytes = 512 (0x200) 
    "jb   loop    \n" //;Loop" 
    "nop       \n" 
     : "=m"(a)      //Outputs  
     : "m"(b), "m"(c)    //Inputs 
     : "%ecx","%ymm0"    //Modifies ECX and YMM0 
    ); 
} 

行が生成する「間違った」としてマーク（私が推測する）：

vmovaps -0x10(%rbp,%ecx,%0x8),%ymm0 

しかし、％ecxをインデックスレジスタとして指定する方法はわかりません。

お願いします。

__asm__ __volatile__ (
    "nop       \n" 
    "xor  %%ecx, %%ecx  \n" //;Loop counter set to 0 
    "loop: \n\t" 
    "vmovaps (%1, %%rcx), %%ymm0   \n" //;Load 8 elements from b <== MODIFIED HERE 
    "vaddps  %2, %%ymm0, %%ymm0 \n" //;Add 8 elements from c 
    "vmovaps %%ymm0, %0   \n" //;Store result in a 
    "add  0x20, %%ecx   \n" //;8 elemtns * 4 bytes = 32 (0x20) 
    "cmp  0x200,%%ecx   \n" //;128 elements * 4 bytes = 512 (0x200) 
    "jb   loop    \n" //;Loop" 
    "nop       \n" 
     : "=m"(a)      //Outputs  
     : "m"(b), "m"(c)    //Inputs 
     : "%ecx","%ymm0"    //Modifies ECX and YMM0 
    ); 

そして、私が得た：

inline1.cpp: Assembler messages: 
inline1.cpp:90: Error: found '(', expected: ')' 
inline1.cpp:90: Error: junk `(%rbp),%rcx)' after expression 

Answer 1

私はそれが可能だとは思わない私は（％1、%% ECX）を試してみた

EDIT

これを文字どおりGASインラインアセンブリに変換します。 AT & T構文では、構文は次のとおりです。

に似て何かを生み出す

displacement(base register, offset register, scalar multiplier) 

：あなたが使用する場合の問題は、ある

vmovaps -16(%rsp, %ecx, 0), %ymm0 

：

movl -4(%ebp, %ecx, 4), %eax 

またはあなたのケースではメモリ制約（m）の場合、インラインアセンブラでは、次のように書くことになります。%n（ここで、nはth電子入出力）：

-16(%rsp) 

実際に必要なフォームに上記を操作する方法はありません。あなたは書くことができます：

(%1, %%rcx) 

が、これは生成されます：

(-16(%rsp),%rcx) 

明らかに間違っています。 %nが全体として-16(%rsp)をチャンクとして放出しているので、オフセットレジスタを、それらのカッコ内の内に取得する方法はありません。

の速度を取得するためにインラインアセンブリを作成するので、もちろんこれは問題ではありません。メモリからの読み込みについては何もスピードがありません。レジスタに入力がある必要があります。また、入出力（r）にレジスタ制約を使用すると、問題はありません。これはあなたのインラインアセンブリと間違ってわずか

他のものには、あなたのコードを変更する必要がありますことに注意してください：

1. 数値リテラルを$で始まります。
2. 命令には、32ビットの場合はl、64ビットの場合はqのようなサイズの接尾辞が必要です。
3. aで書き込むときにメモリが壊れているので、memoryのクローバーが必要です。
4. 最初と最後のnopの説明は完全に無意味です。彼らは分岐ターゲットを整列させていません。
5. 新しい行（\n）に加えて、すべての行は実際にはタブ文字（\t）で終了する必要があります。そのため、逆アセンブリを検査するときに適切な位置合わせが得られます。ここで

コードの私のバージョンです：

void addArray(float *a, float *b, float *c) { 
__asm__ __volatile__ (
    "xorl  %%ecx, %%ecx    \n\t" // Loop counter set to 0 
    "loop:         \n\t" 
    "vmovaps (%1,%%rcx), %%ymm0   \n\t" // Load 8 elements from b 
    "vaddps  (%2,%%rcx), %%ymm0, %%ymm0 \n\t" // Add 8 elements from c 
    "vmovaps %%ymm0, (%0,%%rcx)   \n\t" // Store result in a 
    "addl  $0x20, %%ecx    \n\t" // 8 elemtns * 4 bytes = 32 (0x20) 
    "cmpl  $0x200, %%ecx    \n\t" // 128 elements * 4 bytes = 512 (0x200) 
    "jb   loop"        // Loop" 
     :           // Outputs  
     : "r" (a), "r" (b), "r" (c)    // Inputs 
     : "%ecx", "%ymm0", "memory"    // Modifies ECX, YMM0, and memory 
    ); 
} 

これは、コンパイラは、次のことを発光させる：

addArray(float*, float*, float*): 
     xorl  %ecx, %ecx     
    loop:         
     vmovaps (%rsi,%rcx), %ymm0   # b 
     vaddps  (%rdx,%rcx), %ymm0, %ymm0 # c 
     vmovaps %ymm0, (%rdi,%rcx)   # a 
     addl  $0x20, %ecx    
     cmpl  $0x200, %ecx    
     jb   loop 
     vzeroupper 
     retq 

あるいは、より身近インテル構文で：

addArray(float*, float*, float*): 
     xor  ecx, ecx 
    loop: 
     vmovaps ymm0, YMMWORD PTR [rsi + rcx] 
     vaddps ymm0, ymm0, YMMWORD PTR [rdx + rcx] 
     vmovaps YMMWORD PTR [rdi + rcx], ymm0 
     add  ecx, 32 
     cmp  ecx, 512 
     jb  loop 
     vzeroupper 
     ret 

System V 64ビット呼び出し規約では、最初の3つのパラメータrdi,rsi、およびrdxレジスタに渡されるため、コードはパラメータをレジスタに移動する必要はありません。これらのパラメータはすでに存在しています。

しかし、あなたは最大限の入出力制約を使用していません。あなたはをカウンターとして使用する必要はありません。rcxスクラッチ・レジスタとしてymm0を使用する必要もありません。コンパイラにどの空きレジスタを使用させるかを選択させると、コードがより効率的になります。あなたはまた、明示的なクロバーリストを提供する必要がありません。もちろん

#include <stdint.h> 
#include <x86intrin.h> 

void addArray(float *a, float *b, float *c) { 
    uint64_t temp = 0; 
    __m256 ymm; 
    __asm__ __volatile__(
     "loop:      \n\t" 
     "vmovaps (%3,%0), %1  \n\t" // Load 8 elements from b 
     "vaddps  (%4,%0), %1, %1 \n\t" // Add 8 elements from c 
     "vmovaps %1, (%2,%0)  \n\t" // Store result in a 
     "addl  $0x20, %0  \n\t" // 8 elemtns * 4 bytes = 32 (0x20) 
     "cmpl  $0x200, %0  \n\t" // 128 elements * 4 bytes = 512 (0x200) 
     "jb   loop"     // Loop 
    : "+r" (temp), "=x" (ymm) 
    : "r" (a), "r" (b), "r" (c) 
    : "memory" 
    ); 
} 

、コメントで述べたように、この全体の運動は時間の無駄です。 GASスタイルのインラインアセンブリーは、強力ですが、正確に書くのが難しいです（私のコードは正解ではありません！）ので、絶対にしないインラインアセンブリーを使って何も書いてはいけません。はかなりです。する必要がある。 -O2と-mavx2で

void addArray(float *a, float *b, float *c) { 
    for (int i = 0; i < 128; i++) a[i] = b[i] + c[i]; 
} 

を、GCCは、以下にこれをコンパイルします：

addArray(float*, float*, float*): 
     xor  eax, eax 
    .L2: 
     vmovss xmm0, DWORD PTR [rsi+rax] 
     vaddss xmm0, xmm0, DWORD PTR [rdx+rax] 
     vmovss DWORD PTR [rdi+rax], xmm0 
     add  rax, 4 
     cmp  rax, 512 
     jne  .L2 
     rep ret 

まあ、これは確かに、コンパイラあなたが持っていない場合は、自動的に追加ループを最適化しますですそれはひどくおなじみですね。公正であるためには、あなたのコードのようにベクトル化されていません。 -O3または-ftree-vectorizeを使用して取得することもできますが、a lot more code generatedも得られるので、実際にはコードサイズのほうが速く、爆発的に価値があると私に納得させるためにベンチマークが必要です。しかし、これのほとんどは、入力が整列していないケース、つまりif you indicate that it is aligned and that the pointer is restricted, that solves these problems and improves the code generation substantiallyを処理することです。ループをアンロールし、加算をベクトル化するのは完全にであることに注意してください。