LLVM优化__通过循环向量化提高代码性能

1. LLVM中的循环自动向量化

Clang编译器提供循环自动向量化的能力,可以帮助开发者提高代码性能,clang在O2以上优化级别默认开启该优化。对LLVM自动向量化不了解的读者,请先阅读Auto-Vectorization in LLVM,官方文档中给出了可以进行向量化的常见代码类型,以及向量化优化后的部分性能数据。

LLVM中循环的自动向量化在LoopVectorizePass中实现,可以将这个Pass拆分为3个主要过程:

(1)合法性检查

(2)代价模型分析

(3)向量代码生成

第1个步骤主要是检查能不能做;第2步检查是否值得做;第3部分执行变换。下面给出一个简单的循环向量化的例子:

cpp 复制代码
int loop_vectorize_test(int* arr , int n) {
    int res = 0;

    // #pragma clang loop vectorize_width(4) interleave_count(2)
    for (int i = 0; i < n; i++) {
        if (n <= arr[i]) {
            res += arr[i];
        }
    }

    return res;
}

执行clang++ -S -emit-llvm -O1 vec_test.cc -o vec_test.ll,获取标量版本的IR:

ll 复制代码
; Function Attrs: mustprogress nofree norecurse nosync nounwind willreturn memory(argmem: read) uwtable
define dso_local noundef i32 @_Z19loop_vectorize_testPii(ptr nocapture noundef readonly %0, i32 noundef %1) local_unnamed_addr #0 {
  %3 = icmp sgt i32 %1, 0
  br i1 %3, label %4, label %6

4:                                                ; preds = %2
  %5 = zext i32 %1 to i64
  br label %8

6:                                                ; preds = %8, %2
  %7 = phi i32 [ 0, %2 ], [ %15, %8 ]
  ret i32 %7

8:                                                ; preds = %4, %8
  %9 = phi i64 [ 0, %4 ], [ %16, %8 ]
  %10 = phi i32 [ 0, %4 ], [ %15, %8 ]
  %11 = getelementptr inbounds i32, ptr %0, i64 %9
  %12 = load i32, ptr %11, align 4, !tbaa !5
  %13 = icmp slt i32 %12, %1
  %14 = select i1 %13, i32 0, i32 %12
  %15 = add nsw i32 %14, %10
  %16 = add nuw nsw i64 %9, 1
  %17 = icmp eq i64 %16, %5
  br i1 %17, label %6, label %8, !llvm.loop !9
}

在循环基本块8中可以看到,这里的逻辑和C++代码逻辑基本一致,执行的是标量运算。现在我们解除上面C++代码中对于#pragma行的注释,并指定向量宽度vectorize_width为4,展开因子interleave_count为2。vectorize_width主要控制向量的宽度,在本例子中如果设置为4就是load <4 x i32> 向量到寄存器,2就是load <2 x i32> 的数据到寄存器。(注意ARM64架构下,如果是load <4 * i16> 可能最后直接就加载数据到普通的64位寄存器中)。interleave_count控制展开的次数,在本例子中count为2,也就是在一次循环中,需要加载load 2次<4 * i16>的数据。

cpp 复制代码
#pragma clang loop vectorize_width(4) interleave_count(2)
for (int i = 0; i < n; i++) { 
...

再次执行前面的编译命令,现在可以看到IR已经进行了向量化优化:

ll 复制代码
; Function Attrs: mustprogress nofree norecurse nosync nounwind willreturn memory(argmem: read) uwtable
define dso_local noundef i32 @_Z19loop_vectorize_testPii(ptr nocapture noundef readonly %0, i32 noundef %1) local_unnamed_addr #0 {
  %3 = icmp sgt i32 %1, 0
  br i1 %3, label %4, label %36

4:                                                ; preds = %2
  %5 = zext i32 %1 to i64
  %6 = icmp ult i32 %1, 8
  br i1 %6, label %33, label %7

7:                                                ; preds = %4
  %8 = and i64 %5, 4294967288
  %9 = insertelement <4 x i32> poison, i32 %1, i64 0
  %10 = shufflevector <4 x i32> %9, <4 x i32> poison, <4 x i32> zeroinitializer
  %11 = insertelement <4 x i32> poison, i32 %1, i64 0
  %12 = shufflevector <4 x i32> %11, <4 x i32> poison, <4 x i32> zeroinitializer
  br label %13

13:                                               ; preds = %13, %7
  %14 = phi i64 [ 0, %7 ], [ %27, %13 ]
  %15 = phi <4 x i32> [ zeroinitializer, %7 ], [ %25, %13 ]
  %16 = phi <4 x i32> [ zeroinitializer, %7 ], [ %26, %13 ]
  %17 = getelementptr inbounds i32, ptr %0, i64 %14
  %18 = load <4 x i32>, ptr %17, align 4, !tbaa !5
  %19 = getelementptr inbounds i32, ptr %17, i64 4
  %20 = load <4 x i32>, ptr %19, align 4, !tbaa !5
  %21 = icmp slt <4 x i32> %18, %10
  %22 = icmp slt <4 x i32> %20, %12
  %23 = select <4 x i1> %21, <4 x i32> zeroinitializer, <4 x i32> %18
  %24 = select <4 x i1> %22, <4 x i32> zeroinitializer, <4 x i32> %20
  %25 = add <4 x i32> %23, %15
  %26 = add <4 x i32> %24, %16
  %27 = add nuw i64 %14, 8
  %28 = icmp eq i64 %27, %8
  br i1 %28, label %29, label %13, !llvm.loop !9

29:                                               ; preds = %13
  %30 = add <4 x i32> %26, %25
  %31 = tail call i32 @llvm.vector.reduce.add.v4i32(<4 x i32> %30)
  %32 = icmp eq i64 %8, %5
  br i1 %32, label %36, label %33

33:                                               ; preds = %4, %29
  %34 = phi i64 [ 0, %4 ], [ %8, %29 ]
  %35 = phi i32 [ 0, %4 ], [ %31, %29 ]
  br label %38

36:                                               ; preds = %38, %29, %2
  %37 = phi i32 [ 0, %2 ], [ %31, %29 ], [ %45, %38 ]
  ret i32 %37

38:                                               ; preds = %33, %38
  %39 = phi i64 [ %46, %38 ], [ %34, %33 ]
  %40 = phi i32 [ %45, %38 ], [ %35, %33 ]
  %41 = getelementptr inbounds i32, ptr %0, i64 %39
  %42 = load i32, ptr %41, align 4, !tbaa !5
  %43 = icmp slt i32 %42, %1
  %44 = select i1 %43, i32 0, i32 %42
  %45 = add nsw i32 %44, %40
  %46 = add nuw nsw i64 %39, 1
  %47 = icmp eq i64 %46, %5
  br i1 %47, label %36, label %38, !llvm.loop !14
}

在循环块13中,可以看到LLVM已经按照我们制定的展开因子和向量宽度进行了自动向量化优化。然后再执行llc -march=aarch64 -filetype=obj vec_test.ll -o vec_test.ollvm-objdump -d vec_test.o,可以看到arm64的汇编代码中将数组的数据加载到了128bit寄存器q3,q4(对arm64汇编不熟悉的读者可以先参考Armv8/armv9架构入门指南):

asm 复制代码
0000000000000000 <_Z19loop_vectorize_testPii>:
       0: 7100043f      cmp     w1, #0x1
       4: 540000eb      b.lt    0x20 <_Z19loop_vectorize_testPii+0x20>
       8: 71001c3f      cmp     w1, #0x7
       c: 2a0103e9      mov     w9, w1
      10: 540000e8      b.hi    0x2c <_Z19loop_vectorize_testPii+0x2c>
      14: aa1f03ea      mov     x10, xzr
      18: 2a1f03e8      mov     w8, wzr
      1c: 14000019      b       0x80 <_Z19loop_vectorize_testPii+0x80>
      20: 2a1f03e8      mov     w8, wzr
      24: 2a0803e0      mov     w0, w8
      28: d65f03c0      ret
      2c: 6f00e400      movi    v0.2d, #0000000000000000
      30: 6f00e401      movi    v1.2d, #0000000000000000
      34: 927d712a      and     x10, x9, #0xfffffff8
      38: 4e040c22      dup     v2.4s, w1
      3c: 91004008      add     x8, x0, #0x10
      40: aa0a03eb      mov     x11, x10
      44: ad7f9103      ldp     q3, q4, [x8, #-0x10]
      48: f100216b      subs    x11, x11, #0x8
      4c: 91008108      add     x8, x8, #0x20
      50: 4ea33445      cmgt    v5.4s, v2.4s, v3.4s
      54: 4ea43446      cmgt    v6.4s, v2.4s, v4.4s
      58: 4e651c63      bic     v3.16b, v3.16b, v5.16b
      5c: 4e661c84      bic     v4.16b, v4.16b, v6.16b
      60: 4ea08460      add     v0.4s, v3.4s, v0.4s
      64: 4ea18481      add     v1.4s, v4.4s, v1.4s
      68: 54fffee1      b.ne    0x44 <_Z19loop_vectorize_testPii+0x44>
      6c: 4ea08420      add     v0.4s, v1.4s, v0.4s
      70: eb09015f      cmp     x10, x9
      74: 4eb1b800      addv    s0, v0.4s
      78: 1e260008      fmov    w8, s0
      7c: 54000120      b.eq    0xa0 <_Z19loop_vectorize_testPii+0xa0>
      80: 8b0a080b      add     x11, x0, x10, lsl #2
      84: cb0a0129      sub     x9, x9, x10
      88: b840456a      ldr     w10, [x11], #0x4
      8c: 6b01015f      cmp     w10, w1
      90: 1a8ab3ea      csel    w10, wzr, w10, lt
      94: f1000529      subs    x9, x9, #0x1
      98: 0b080148      add     w8, w10, w8
      9c: 54ffff61      b.ne    0x88 <_Z19loop_vectorize_testPii+0x88>
      a0: 2a0803e0      mov     w0, w8
      a4: d65f03c0      ret

2. 哪些常见的循环结构会被Loop Vectorize合法性检查拒绝

循环自动向量化虽然很方便,但是由于自动向量化代码生成的复杂性较高,同时需要确保生成代码的安全性和逻辑一致性,所以即使是很多常见的循环结构,也无法进行自动的向量化,下面是几种较为常见的无法自动向量化的类型。

2.1 循环中途退出,导致循环向量化器没法计算循环次数

cpp 复制代码
int loop_vectorize_test(int* arr , int n) {
    int res = 0;

    #pragma clang loop vectorize(enable)
    for (int i = 0; i < n; i++) {
        if (arr[i] == n) {
            res = arr[i];
            break;
        }
    }

    return res;
}

使用命令编译clang++ -Rpass-analysis=loop-vectorize -O3 -S -emit-llvm vec_test.cc -o vec_test.ll,可以看到

cmd 复制代码
vec_test.cc:5:5: remark: loop not vectorized: could not determine number of loop iterations [-Rpass-analysis]
    for (int i = 0; i < n; i++) {

2.2 循环中有较复杂的switch语句

cpp 复制代码
int loop_vectorize_test(int* arr, int n) {
    int res = 0;

    #pragma clang loop vectorize(enable)
    for (int i = 0; i < n; i++) {
        switch(arr[i]) {
            case 0: break;
            case 1: arr[i] = i;   break;
            default: arr[i] = 0;
        }
    }

    return res;
}

2.3 循环中有数据依赖

cpp 复制代码
int loop_vectorize_test(int* arr, int n) {
    int res = 0;

    #pragma clang loop vectorize(enable)
    for (int i = 1; i <= n - 3; i += 3) {
        arr[i] = arr[i-1];
        arr[i+1] = arr[i+3];
    }

    return res;
}

3. 如何通过手动向量化优化程序

下面就一个在数组中循环查找第一个目标值的简单程序,讲解手动向量化的2种常见方案

cpp 复制代码
int loop_vectorize_test(const int* arr, int n, int target) {
    for (int i = 0; i < n; i++) {
        if (arr[i] == target) {
            return i;
        }
    }

    return -1;
}

(1)使用GCC/Clang编译器的向量类型拓展实现向量化搜索

cpp 复制代码
// 使用编译器拓展定义4*4 bytes的vec
typedef int v4si __attribute__ ((vector_size (16)));
int find_target_vectorize(const int* arr, int n, int target) {
    int i = 0;

    for (; i + 3 < n; i += 4) {
        v4si src = {arr[i], arr[i + 1], arr[i + 2], arr[i + 3]};
        v4si tgt = {target, target, target, target};
        v4si res = (src == tgt);

        // 如果向量元素的值之和不等于0,说明找到了目标数
        // 编译器会自动优化成向量比较
        if (res[0] + res[1] + res[2] + res[3] != 0) {
            if (res[0] == -1) {
                return i;
            }
            if (res[1] == -1) {
                return i + 1;
            }
            if (res[2] == -1) {
                return i + 2;
            }
            if (res[3] == -1) {
                return i + 3;
            }
        }
    }

    // 在剩余部分搜索
    for (; i < n; i++) {
        if (arr[i] == target) {
            return i;
        }
    }

    return -1;
}

通过clang++ -O3 -S -emit-llvm vec_test.cc -o vec_test.ll编译可以看到ll文件中进行了向量的加载和比较。

ll 复制代码
......
15:                                               ; preds = %5, %38
  %16 = phi i64 [ 0, %5 ], [ %39, %38 ]
  %17 = phi i64 [ 3, %5 ], [ %40, %38 ]
  %18 = getelementptr inbounds i32, ptr %0, i64 %16
  %19 = load <4 x i32>, ptr %18, align 4, !tbaa !6
  %20 = icmp eq <4 x i32> %19, %7
  %21 = sext <4 x i1> %20 to <4 x i32>
  %22 = extractelement <4 x i32> %21, i64 0
  %23 = extractelement <4 x i32> %21, i64 1
  %24 = add nsw i32 %22, %23
  %25 = extractelement <4 x i32> %21, i64 2
  %26 = add nsw i32 %24, %25
  %27 = extractelement <4 x i32> %21, i64 3
  %28 = sub nsw i32 0, %27
  %29 = icmp eq i32 %26, %28
  br i1 %29, label %38, label %30

30:                                               ; preds = %15
  %31 = icmp eq i32 %22, -1
  br i1 %31, label %55, label %32

32:                                               ; preds = %30
  %33 = icmp eq i32 %23, -1
  br i1 %33, label %57, label %34
  ......

(2)手动循环拆分后提示编译器进行向量化

对于有些循环中有退出循环的指令,如break, return等,我们可以将其改写为2个循环,外循环执行退出循环逻辑,内循环不退出,便于编译器进行循环自动向量化。

cpp 复制代码
int find_target_vectorize_nested(const int* arr, int n, int target) {
    int i = 0;

    // 处理剩余的元素
    for (; i + 3 < n; i += 4) {
        bool mask = 0;
        #pragma clang loop vectorize_width(4)
        for (int j = i; j < i + 4; j++) {
            mask |= (arr[j] == target);
        }

        if (mask != false) {
            if (arr[i] == target) {
                return i;
            }
            if (arr[i + 1] == target) {
                return i + 1;
            }
            if (arr[i + 2] == target) {
                return i + 2;
            }
            if (arr[i + 3] == target) {
                return i + 3;
            }
        }
    }

    // 在剩余部分搜索
    for (; i < n; i++) {
        if (arr[i] == target) {
            return i;
        }
    }

    return -1;  // 没有找到目标值
}

编译后的ll中,可以看到从数组中加载向量和比较的过程

ll 复制代码
......
5:                                                ; preds = %3
  %6 = zext i32 %2 to i64
  %7 = insertelement <4 x i32> poison, i32 %1, i64 0
  %8 = shufflevector <4 x i32> %7, <4 x i32> poison, <4 x i32> zeroinitializer
  br label %9

9:                                                ; preds = %5, %42
  %10 = phi i64 [ 3, %5 ], [ %44, %42 ]
  %11 = phi i64 [ 0, %5 ], [ %17, %42 ]
  %12 = getelementptr inbounds i32, ptr %0, i64 %11
  %13 = load <4 x i32>, ptr %12, align 4, !tbaa !6
  %14 = icmp eq <4 x i32> %13, %8
  %15 = bitcast <4 x i1> %14 to i4
  %16 = icmp eq i4 %15, 0
  %17 = add nuw nsw i64 %11, 4
  br i1 %16, label %42, label %26
......

(3)各个平台提供了向量化相关的库,如arm的neon,intel的simd等,通过调用库函数的方式执行向量运算。读者可以根据需求去阅读相关的文档并尝试实现,本文不再对该方法进行展开。

相关推荐
重生之我是数学王子8 分钟前
QT基础 编码问题 定时器 事件 绘图事件 keyPressEvent QT5.12.3环境 C++实现
开发语言·c++·qt
Ai 编码助手10 分钟前
使用php和Xunsearch提升音乐网站的歌曲搜索效果
开发语言·php
学习前端的小z14 分钟前
【前端】深入理解 JavaScript 逻辑运算符的优先级与短路求值机制
开发语言·前端·javascript
神仙别闹21 分钟前
基于C#和Sql Server 2008实现的(WinForm)订单生成系统
开发语言·c#
XINGTECODE22 分钟前
海盗王集成网关和商城服务端功能golang版
开发语言·后端·golang
程序猿进阶28 分钟前
堆外内存泄露排查经历
java·jvm·后端·面试·性能优化·oom·内存泄露
我们的五年32 分钟前
【Linux课程学习】:进程程序替换,execl,execv,execlp,execvp,execve,execle,execvpe函数
linux·c++·学习
zwjapple39 分钟前
typescript里面正则的使用
开发语言·javascript·正则表达式
小五Five40 分钟前
TypeScript项目中Axios的封装
开发语言·前端·javascript
前端每日三省42 分钟前
面试题-TS(八):什么是装饰器(decorators)?如何在 TypeScript 中使用它们?
开发语言·前端·javascript