奇妙之旅：SIMD加速矩阵运算

2024-06-16 22:08
文章标签 运算 加速 矩阵 之旅 奇妙 simd

本文主要是介绍奇妙之旅：SIMD加速矩阵运算，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

奇妙之旅：SIMD加速矩阵运算

  • 1.前言
  • 2.预备知识
  • 3.计算逻辑
  • 4.代码实战

1.前言

  游戏会涉及到大量4x4的矩阵乘法运算，而乘法最简单直观的实现就是循环4×4×4次乘法，以及若干次加法，得到结果。
  在计算量较少时，cpu并不是很紧张。然而游戏通常每秒伴随着大量运算，此时，计算的效率就显得尤为重要。
  通过查阅文献，我发现了一种SIMD（Single Instruction Multiple Data，单指令多数据流）技术，可以同时操作多个数据，极大的提高了cpu的运算能力。

2.预备知识

原理：

  • 以加法指令为例，单指令单数据（SISD）的CPU对加法指令译码后，执行部件先访问内存，取得第一个操作数；之后再一次访问内存，取得第二个操作数；随后才能进行求和运算。而在SIMD型的CPU中，指令译码后几个执行部件同时访问内存，一次性获得所有操作数进行运算。这个特点使SIMD特别适合于多媒体应用等数据密集型运算。

下列是一些AVX，AVX2指令集上的函数原型:
手册地址:https://software.intel.com/sites/landingpage/IntrinsicsGuide/

  • __m256 _mm256_i32gather_ps (float const* base_addr, __m256i vindex, const int scale)

    • 概要
      __m256 _mm256_i32gather_ps (float const* base_addr, __m256i vindex, const int scale)
      #include <immintrin.h>
      Instruction: vgatherdps ymm, vm32x, ymm
      CPUID Flags: AVX2

    • 描述
      Gather single-precision (32-bit) floating-point elements from memory using 32-bit indices. 32-bit elements are loaded from addresses starting at base_addr and offset by each 32-bit element in vindex (each index is scaled by the factor in scale). Gathered elements are merged into dst. scale should be 1, 2, 4 or 8.

    • 伪代码

      FOR j := 0 to 7i := j*32m := j*32addr := base_addr + SignExtend64(vindex[m+31:m]) * ZeroExtend64(scale) * 8dst[i+31:i] := MEM[addr+31:addr]
ENDFOR
dst[MAX:256] := 0

    • 口胡 解释：用于将base_addr指向的内存中的数据按vindex中放置的索引序号并乘以scale表示的字节大小收集数据。

  • __m256 _mm256_dp_ps (__m256 a, __m256 b, const int imm8)

    • 概要
      __m256 _mm256_dp_ps (__m256 a, __m256 b, const int imm8)
      #include <immintrin.h>
      Instruction: vdpps ymm, ymm, ymm, imm
      CPUID Flags: AVX

    • 描述
      Conditionally multiply the packed single-precision (32-bit) floating-point elements in a and b using the high 4 bits in imm8, sum the four products, and conditionally store the sum in dst using the low 4 bits of imm8.

    • 伪代码

      DEFINE DP(a[127:0], b[127:0], imm8[7:0]) {FOR j := 0 to 3i := j*32IF imm8[(4+j)%8]temp[i+31:i] := a[i+31:i] * b[i+31:i]ELSEtemp[i+31:i] := 0FIENDFORsum[31:0] := (temp[127:96] + temp[95:64]) + (temp[63:32] + temp[31:0])FOR j := 0 to 3i := j*32IF imm8[j%8]tmpdst[i+31:i] := sum[31:0]ELSEtmpdst[i+31:i] := 0FIENDFORRETURN tmpdst[127:0]
}
dst[127:0] := DP(a[127:0], b[127:0], imm8[7:0])
dst[255:128] := DP(a[255:128], b[255:128], imm8[7:0])
dst[MAX:256] := 0

    • 口胡 解释：将a，b的8个float值，分别相乘（如果imm8第4-7位为1），然后前4个求和，后4个求和，如果imm8的低0-3位为1就分配这个和值到目标区域。

好了，有了以上两个函数，我们就可以将4x4矩阵乘法的乘法次数降到8次了。
什么？你问怎么做？请往下看。

3.计算逻辑

  因为笔者的CPU只支持到AVX2，所以不能用512位的寄存器（哭～），这里就用256位寄存器做示范。
  考虑原来的乘法需要64次的float乘法，如果用256位寄存器（8个float）打包就可以降到 64 ÷ 8 = 8 64\div8 =8 64÷8=8次，太惊人了。

下面就是计算思路：
1. 记 X a b 为 矩 阵 X 的 第 a 行 和 第 b 行 构 成 的 一 个 8 个 f l o a t 值 的 寄 存 器 2. 记 X u v 为 矩 阵 X 的 第 u 列 和 第 v 列 构 成 的 一 个 8 个 f l o a t 值 的 寄 存 器 1.记X_{ab}为矩阵X的第a行和第b行构成的一个8个float值的寄存器\\ 2.记X^{uv}为矩阵X的第u列和第v列构成的一个8个float值的寄存器\\ 1.记Xab​为矩阵X的第a行和第b行构成的一个8个float值的寄存器2.记Xuv为矩阵X的第u列和第v列构成的一个8个float值的寄存器
matrix4 c;
__mm256 temp;
int mask = 0b11110001;

一次性计算两次点积
temp =_mm256_dp_ps ( A 12 , B 11 , m a s k ) ( A_{12} ,B^{11},mask) (A12​,B11,mask)
c.data[0] = temp[0];
c.data[1] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 11 , m a s k ) ( A_{34} ,B^{11},mask) (A34​,B11,mask)
c.data[2] = temp[0];
c.data[3] = temp[4];

剩下的类似…
temp =_mm256_dp_ps ( A 12 , B 22 , m a s k ) ( A_{12} ,B^{22},mask) (A12​,B22,mask)
c.data[4] = temp[0];
c.data[5] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 22 , m a s k ) ( A_{34} ,B^{22},mask) (A34​,B22,mask)
c.data[6] = temp[0];
c.data[7] = temp[4];

temp =_mm256_dp_ps ( A 12 , B 33 , m a s k ) ( A_{12} ,B^{33},mask) (A12​,B33,mask)
c.data[8] = temp[0];
c.data[9] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 33 , m a s k ) ( A_{34} ,B^{33},mask) (A34​,B33,mask)
c.data[10] = temp[0];
c.data[11] = temp[4];

temp =_mm256_dp_ps ( A 12 , B 44 , m a s k ) ( A_{12} ,B^{44},mask) (A12​,B44,mask)
c.data[12] = temp[0];
c.data[13] = temp[4];

temp =_mm256_dp_ps ( A 34 , B 44 , m a s k ) ( A_{34} ,B^{44},mask) (A34​,B44,mask)
c.data[14] = temp[0];
c.data[15] = temp[4];

至此，一次矩阵乘法结束。
关于如何取 A 12 ， A 34 ， B 11 . . . A_{12}，A_{34}，B_{11}... A12​，A34​，B11​...等值：

__declspec(align(16)) __m256i gatherA12 = _mm256_set_epi32(13, 9, 5, 1, 12, 8, 4, 0);
__declspec(align(16)) __m256i gatherA34 = _mm256_set_epi32(15, 11, 7, 3, 14, 10, 6, 2);__declspec(align(16)) __m256i gatherB11 = _mm256_set_epi32(3, 2, 1, 0, 3, 2, 1, 0);
__declspec(align(16)) __m256i gatherB22 = _mm256_set_epi32(7, 6, 5, 4, 7, 6, 5, 4);
__declspec(align(16)) __m256i gatherB33 = _mm256_set_epi32(11, 10, 9, 8, 11, 10, 9, 8);
__declspec(align(16)) __m256i gatherB44 = _mm256_set_epi32(15, 14, 13, 12, 15, 14, 13, 12);a12 = _mm256_i32gather_ps(_Left.data, gatherA12, sizeof(float));a34 = _mm256_i32gather_ps(_Left.data, gatherA34, sizeof(float));b11 = _mm256_i32gather_ps(_Right.data, gatherB11, sizeof(float));b22 = _mm256_i32gather_ps(_Right.data, gatherB22, sizeof(float));b33 = _mm256_i32gather_ps(_Right.data, gatherB33, sizeof(float));b44 = _mm256_i32gather_ps(_Right.data, gatherB44, sizeof(float));

__declspec(align(16)) 意味着要求编译器按16字节对齐，注意！！！SIMD要求字节对齐（当然偏要不对齐也行。。。）

_mm256_set_epi32 语义很简单，就是按照参数来向256位寄存器中放入32位的整数，但是需要注意的是，第一个参数是放到寄存器最末尾的。

4.代码实战

先放出运行结果：
在这里插入图片描述
第一个计时是循环1000万次的SIMD，仅用了不到1ms。
第二个计时是普通的循环1000万次。

以下是全部代码：

#include <iostream>
#include <windows.h>
#include <xmmintrin.h>
#include <immintrin.h>// 计时结构
LARGE_INTEGER t1, t2, tc;void time_begin()
{QueryPerformanceFrequency(&tc);QueryPerformanceCounter(&t1);
}float time_end()
{QueryPerformanceCounter(&t2);return ((t2.QuadPart - t1.QuadPart)*1.0 / tc.QuadPart) * 1000;
}class matrix4
{
public:matrix4():data{ 0 }{}matrix4(float v):data{ v,0,0,0,0,v,0,0,0,0,v,0,0,0,0,v }{}public:public:union{float data[16];float ptr[4][4];};
};// 列主序按行计算
matrix4 mul_1(const matrix4& m1, const matrix4& m2)
{matrix4 ret;for (int row = 0; row < 4; ++row) {for (int col = 0; col < 4; ++col) {for (int a = 0; a < 4; ++a) {ret.ptr[col][row] += m1.ptr[a][row] * m2.ptr[col][a];}}}return ret;
}__declspec(align(16)) matrix4 A(1.f);
__declspec(align(16)) matrix4 B(2.f);
__declspec(align(16)) float v[16]
= {0, 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15};__declspec(align(16)) __m256i gatherA12 = _mm256_set_epi32(13, 9, 5, 1, 12, 8, 4, 0);
__declspec(align(16)) __m256i gatherA34 = _mm256_set_epi32(15, 11, 7, 3, 14, 10, 6, 2);__declspec(align(16)) __m256i gatherB11 = _mm256_set_epi32(3, 2, 1, 0, 3, 2, 1, 0);
__declspec(align(16)) __m256i gatherB22 = _mm256_set_epi32(7, 6, 5, 4, 7, 6, 5, 4);
__declspec(align(16)) __m256i gatherB33 = _mm256_set_epi32(11, 10, 9, 8, 11, 10, 9, 8);
__declspec(align(16)) __m256i gatherB44 = _mm256_set_epi32(15, 14, 13, 12, 15, 14, 13, 12);auto mm_mul_mat(matrix4 const& _Left, matrix4 const& _Right)
{matrix4 ret;__declspec(align(16)) __m256 temp;__declspec(align(16)) __m256 a12, a34;__declspec(align(16)) __m256 b11, b22, b33, b44;a12 = _mm256_i32gather_ps(_Left.data, gatherA12, sizeof(float));a34 = _mm256_i32gather_ps(_Left.data, gatherA34, sizeof(float));b11 = _mm256_i32gather_ps(_Right.data, gatherB11, sizeof(float));b22 = _mm256_i32gather_ps(_Right.data, gatherB22, sizeof(float));b33 = _mm256_i32gather_ps(_Right.data, gatherB33, sizeof(float));b44 = _mm256_i32gather_ps(_Right.data, gatherB44, sizeof(float));temp = _mm256_dp_ps(a12, b11, 0b11110001);ret.data[0] = temp.m256_f32[0];ret.data[1] = temp.m256_f32[4];temp = _mm256_dp_ps(a34, b11, 0b11110001);ret.data[2] = temp.m256_f32[0];ret.data[3] = temp.m256_f32[4];temp = _mm256_dp_ps(a12, b22, 0b11110001);ret.data[4] = temp.m256_f32[0];ret.data[5] = temp.m256_f32[4];temp = _mm256_dp_ps(a34, b22, 0b11110001);ret.data[6] = temp.m256_f32[0];ret.data[7] = temp.m256_f32[4];temp = _mm256_dp_ps(a12, b33, 0b11110001);ret.data[8] = temp.m256_f32[0];ret.data[9] = temp.m256_f32[4];temp = _mm256_dp_ps(a34, b33, 0b11110001);ret.data[10] = temp.m256_f32[0];ret.data[11] = temp.m256_f32[4];temp = _mm256_dp_ps(a12, b44, 0b11110001);ret.data[12] = temp.m256_f32[0];ret.data[13] = temp.m256_f32[4];temp = _mm256_dp_ps(a34, b44, 0b11110001);ret.data[14] = temp.m256_f32[0];ret.data[15] = temp.m256_f32[4];return ret;
}int main()
{time_begin();for (int i = 0; i < 10000000; ++i){volatile auto res = mm_mul_mat(A, B);}::std::cout << "SIMD-AVX \ttime: " << time_end() << ::std::endl;time_begin();for (int i = 0; i < 10000000; ++i){volatile auto m = mul_1(A, B);}::std::cout << "SISD TRIVIAL \ttime: " << time_end() << ::std::endl;return 0;
}

以上。

PS：真是一次奇妙的体验呢～

这篇关于奇妙之旅：SIMD加速矩阵运算的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1067679。

相关文章

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
uva 575 Skew Binary（位运算）

uva 575 Skew Binary（位运算）

求第一个以（2^(k+1)-1)为进制的数。 数据不大，可以直接搞。 代码： #include <stdio.h>#include <string.h>const int maxn = 100 + 5;int main(){char num[maxn];while (scanf("%s", num) == 1){if (num[0] == '0')break;int len =
阅读更多...
hdu 4565 推倒公式+矩阵快速幂

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值： Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中： 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令： An=(a+b√)n A_n = (a +
阅读更多...
hdu 6198 dfs枚举找规律+矩阵乘法

hdu 6198 dfs枚举找规律+矩阵乘法

number number number Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others) Problem Description We define a sequence  F : ⋅   F0=0,F1=1 ; ⋅   Fn=Fn
阅读更多...
【Java中的位运算和逻辑运算详解及其区别】

【Java中的位运算和逻辑运算详解及其区别】

Java中的位运算和逻辑运算详解及其区别 在 Java 编程中，位运算和逻辑运算是常见的两种操作类型。位运算用于操作整数的二进制位，而逻辑运算则是处理布尔值 (boolean) 的运算。本文将详细讲解这两种运算及其主要区别，并给出相应示例。 应用场景了解 位运算和逻辑运算的设计初衷源自计算机底层硬件和逻辑运算的需求，它们分别针对不同的处理对象和场景。以下是它们设计的初始目的简介：
阅读更多...
位运算:带带孩子吧，孩子很强的！

位运算:带带孩子吧，孩子很强的！

快速进制 在聊到位运算之前，不妨先简单过一遍二进制的东西。熟悉二进制和十进制的快速转换确实是掌握位运算的基础，因为位运算直接在二进制位上进行操作。如果不熟悉二进制表示，很难直观理解位运算的效果。 这里主要涉及二进制和十进制之间的互相转换。 十进制转二进制 十进制转二进制可以使用常见的 除2取余法 进行。每次将十进制除以2并记录所得余数，直到商为0，然后再将记录的余数 从下往上排列即
阅读更多...
线性代数|机器学习-P35距离矩阵和普鲁克问题

线性代数|机器学习-P35距离矩阵和普鲁克问题

文章目录 1. 距离矩阵2. 正交普鲁克问题3. 实例说明 1. 距离矩阵 假设有三个点 x 1 , x 2 , x 3 x_1,x_2,x_3 x1​,x2​,x3​,三个点距离如下： ∣ ∣ x 1 − x 2 ∣ ∣ 2 = 1 , ∣ ∣ x 2 − x 3 ∣ ∣ 2 = 1 , ∣ ∣ x 1 − x 3 ∣ ∣ 2 = 6 \begin{equation} ||x
阅读更多...
PyInstaller问题解决 onnxruntime-gpu 使用GPU和CUDA加速模型推理

PyInstaller问题解决 onnxruntime-gpu 使用GPU和CUDA加速模型推理

前言 在模型推理时，需要使用GPU加速，相关的CUDA和CUDNN安装好后，通过onnxruntime-gpu实现。 直接运行python程序是正常使用GPU的，如果使用PyInstaller将.py文件打包为.exe，发现只能使用CPU推理了。 本文分析这个问题和提供解决方案，供大家参考。 问题分析——找不到ONNX Runtime GPU 动态库 首先直接运行python程序
阅读更多...
【线性代数】正定矩阵，二次型函数

【线性代数】正定矩阵，二次型函数

本文主要介绍正定矩阵，二次型函数，及其相关的解析证明过程和各个过程的可视化几何解释（深蓝色字体）。 非常喜欢清华大学张颢老师说过的一段话：如果你不能用可视化的方式看到事情的结果，那么你就很难对这个事情有认知，认知就是直觉，解析的东西可以让你理解，但未必能让你形成直觉，因为他太反直觉了。 正定矩阵 定义 给定一个大小为 n×n 的实对称矩阵 A ，若对于任意长度为 n 的非零向量 ，有 恒成
阅读更多...
Spring Boot 注解探秘：HTTP 请求的魅力之旅

Spring Boot 注解探秘：HTTP 请求的魅力之旅

在SpringBoot应用开发中，处理Http请求是一项基础且重要的任务。Spring Boot通过提供一系列丰富的注解极大地简化了这一过程，使得定义请求处理器和路由变得更加直观与便捷。这些注解不仅帮助开发者清晰地定义不同类型的HTTP请求如何被处理，同时也提升了代码的可读性和维护性。 一、@RequestMapping @RequestMapping用于将特定的HTTP请求映射到特定的方法上
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2