最近,我开始寻找到稠密矩阵乘法(GEMM)一次。事实证明,Clang编译器非常擅长优化GEMM,而不需要任何内部函数(GCC仍然需要内部函数)。以下代码获得了我的四核/八硬件线程Skylake系统的峰值FLOPS的60%。它使用块矩阵乘法。
超线程的性能更差,因此您确保只使用等于核心数的线程并绑定线程以防止线程迁移。
export OMP_PROC_BIND=true
export OMP_NUM_THREADS=4
然后编译这样
clang -Ofast -march=native -fopenmp -Wall gemm_so.c
代码
#include <stdlib.h>
#include <string.h>
#include <stdio.h>
#include <omp.h>
#include <x86intrin.h>
#define SM 80
typedef __attribute((aligned(64))) float * restrict fast_float;
static void reorder2(fast_float a, fast_float b, int n) {
for(int i=0; i<SM; i++) memcpy(&b[i*SM], &a[i*n], sizeof(float)*SM);
}
static void kernel(fast_float a, fast_float b, fast_float c, int n) {
for(int i=0; i<SM; i++) {
for(int k=0; k<SM; k++) {
for(int j=0; j<SM; j++) {
c[i*n + j] += a[i*n + k]*b[k*SM + j];
}
}
}
}
void gemm(fast_float a, fast_float b, fast_float c, int n) {
int bk = n/SM;
#pragma omp parallel
{
float *b2 = _mm_malloc(sizeof(float)*SM*SM, 64);
#pragma omp for collapse(3)
for(int i=0; i<bk; i++) {
for(int j=0; j<bk; j++) {
for(int k=0; k<bk; k++) {
reorder2(&b[SM*(k*n + j)], b2, n);
kernel(&a[SM*(i*n+k)], b2, &c[SM*(i*n+j)], n);
}
}
}
_mm_free(b2);
}
}
static int doublecmp(const void *x, const void *y) { return *(double*)x < *(double*)y ? -1 : *(double*)x > *(double*)y; }
double median(double *x, int n) {
qsort(x, n, sizeof(double), doublecmp);
return 0.5f*(x[n/2] + x[(n-1)/2]);
}
int main(void) {
int cores = 4;
double frequency = 3.1; // i7-6700HQ turbo 4 cores
double peak = 32*cores*frequency;
int n = SM*10*2;
int mem = sizeof(float) * n * n;
float *a = _mm_malloc(mem, 64);
float *b = _mm_malloc(mem, 64);
float *c = _mm_malloc(mem, 64);
memset(a, 1, mem), memset(b, 1, mem);
printf("%dx%d matrix\n", n, n);
printf("memory of matrices: %.2f MB\n", 3.0*mem*1E-6);
printf("peak SP GFLOPS %.2f\n", peak);
puts("");
while(1) {
int r = 10;
double times[r];
for(int j=0; j<r; j++) {
times[j] = -omp_get_wtime();
gemm(a, b, c, n);
times[j] += omp_get_wtime();
}
double flop = 2.0*1E-9*n*n*n; //GFLOP
double time_mid = median(times, r);
double flops_low = flop/times[r-1], flops_mid = flop/time_mid, flops_high = flop/times[0];
printf("%.2f %.2f %.2f %.2f\n", 100*flops_low/peak, 100*flops_mid/peak, 100*flops_high/peak, flops_high);
}
}
这确实GEMM每一个无限循环的迭代10次并打印低,中值和FLOPS的高比到peak_FLOPS,最后是中值FLOPS。
您将需要调整以下行
int cores = 4;
double frequency = 3.1; // i7-6700HQ turbo 4 cores
double peak = 32*cores*frequency;
物理内核的所有核心数量,频率(与如果启用涡轮增压)和浮动每个核心的指针操作的数量是16
为Core2-Ivy Bridge,32
为Haswell-Kaby Lake,64
为Xeon Phi Knights Landing。
对于NUMA系统,此代码可能效率较低。这跟Knight Landing差不多(我刚开始研究这个)。
我不知道我可以免费获得MKL。这真是个好消息。我可以用它来比较我自己的GEMM代码。 MKL获得了FLOPS峰值的90%,而我无需付出太多努力就能获得60%的收益。接下来的30%是最难的部分! –
@Z玻色子:根据矩阵的大小,你可能也想调查一下libxsmm https://github.com/hfp/libxsmm,它可以生成你正在使用的矩阵大小的函数...... –