Я использую код CFD (для вычислительной гидродинамики). Недавно у меня была возможность увидеть, как компилятор Intel использует SSE в одном из моих циклов, увеличивая производительность вычислений в этом цикле почти в 2 раза. Однако использование инструкций SSE и SIMD больше похоже на удачу. В большинстве случаев компилятор ничего не делает.
Затем я пытаюсь заставить использовать SSE, учитывая, что инструкции AVX усилят этот аспект в ближайшем будущем.
Я сделал простой одномерный код теплопередачи. Он состоит из двух фаз, использующих результаты другой (U0 -> U1, затем U1 -> U0, затем U0 -> U1 и т. д.). Когда он повторяется, он сходится к устойчивому решению. Большинство моих циклов в основном коде используют один и тот же тип вычислений. (конечная разница).
Однако мой код в два раза медленнее обычного цикла. Результаты одинаковы, поэтому расчеты согласуются.
Я сделал ошибку? Я использую Core 2 для проверки цикла перед тестированием на суперкомпьютере (используя Westmer).
Вот код с циклом SSE, а затем с эталонным циклом:
#include <stdio.h>
#include <emmintrin.h>
#include <time.h>
//#include <vector>
#define n1 1004
#define niter 200000
int i,j,t;
double U0[n1] __attribute__ ((aligned(16)));
double U1[n1] __attribute__ ((aligned(16)));
double Dx,Dy,Lx,Ly,InvDxDx,Dt,alpha,totaltime,Stab,DtAlpha,DxDx;
__m128d vmmx00;
__m128d vmmx01;
__m128d vmmx02;
__m128d vmmx10;
__m128d va;
__m128d vb;
__m128d vc;
__m128d vd;
clock_t time0,time1;
FILE *f1;
int main()
{
/* ---- GENERAL ---- */
alpha = 0.4;
totaltime = 1.0/100.0;
Dt = totaltime/((niter-1)*1.0);
Lx = 1.0;
Dx = Lx/((n1-1)*1.0);
InvDxDx = 1.0/(Dx*Dx);
DxDx = Dx*Dx;
Stab = alpha*Dt*(InvDxDx);
DtAlpha = Dt*alpha;
/* Stability if result <= 0.5 */
printf("Stability factor : %f \n",Stab);
for( i = 0; i < n1; i++){U0[i] = 0.0;}
U0[1] = 1.0;
U0[2] = 1.0;
U0[3] = 1.0;
U0[n1-2] = 2.0;
// for ( i = 0; i < n1; i++) {
// for ( j = i + 1; j < n2; j++) {
// std::swap(U0[i][j], U0[j][i]);
// }
//}
va = _mm_set1_pd(-2.0);
vb = _mm_set1_pd(InvDxDx);
vd = _mm_set1_pd(DtAlpha);
time0=clock();
for( t = 0; t < niter; t++)
{
for( i = 2; i < n1-2; i+=2)
{
//printf("%d %d \n",i,j);
//fflush(stdout);
vmmx00 = _mm_load_pd(&U0[i]);
vmmx01 = _mm_loadu_pd(&U0[i+1]);
vmmx02 = _mm_loadu_pd(&U0[i-1]);
vmmx10 = _mm_mul_pd(va,vmmx00); // U1[i][j] = -2.0*U0[i][j];
vmmx10 = _mm_add_pd(vmmx10,vmmx01); // U1[i][j] = U1[i][j] + U0[i+1][j];
vmmx10 = _mm_add_pd(vmmx10,vmmx02); // U1[i][j] = U1[i][j] + U0[i-1][j];
vmmx10 = _mm_mul_pd(vb,vmmx10); // U1[i][j] = U1[i][j] * InvDxDx;
vmmx10 = _mm_mul_pd(vd,vmmx10); // U1[i][j] = U1[i][j] * DtAlpha;
vmmx10 = _mm_add_pd(vmmx10,vmmx00); // U1[i][j] = U1[i][j] + U0[i][j];
_mm_store_pd(&U1[i],vmmx10);
// U1[i][j] = U0[i][j] + DtAlpha*( (U0[i+1][j]-2.0*U0[i][j]+U0[i-1][j])*InvDxDx
}
for( i = 2; i < n1-2; i+=2)
{
//printf("%d %d \n",i,j);
//fflush(stdout);
vmmx00 = _mm_load_pd(&U1[i]);
vmmx01 = _mm_loadu_pd(&U1[i+1]);
vmmx02 = _mm_loadu_pd(&U1[i-1]);
vmmx10 = _mm_mul_pd(va,vmmx00); // U0[i][j] = -2.0*U1[i][j];
vmmx10 = _mm_add_pd(vmmx10,vmmx01); // U0[i][j] = U0[i][j] + U1[i+1][j];
vmmx10 = _mm_add_pd(vmmx10,vmmx02); // U0[i][j] = U0[i][j] + U1[i-1][j];
vmmx10 = _mm_mul_pd(vb,vmmx10); // U0[i][j] = U0[i][j] * InvDxDx;
vmmx10 = _mm_mul_pd(vd,vmmx10); // U0[i][j] = U0[i][j] * DtAlpha;
vmmx10 = _mm_add_pd(vmmx10,vmmx00); // U0[i][j] = U0[i][j] + U1[i][j];
_mm_store_pd(&U0[i],vmmx10);
// U1[i][j] = U0[i][j] + DtAlpha*( (U0[i+1][j]-2.0*U0[i][j]+U0[i-1][j])*InvDxDx
}
}
time1=clock();
printf("Loop 0, total time : %f \n", (double) time1-time0);
f1 = fopen ("out0.dat", "wt");
for( i = 1; i < n1-1; i++)
{
fprintf (f1, "%d\t%f\n", i, U0[i]);
}
// REF
for( i = 0; i < n1; i++){U0[i] = 0.0;}
U0[1] = 1.0;
U0[2] = 1.0;
U0[3] = 1.0;
U0[n1-2] = 2.0;
time0=clock();
for( t = 0; t < niter; t++)
{
for( i = 2; i < n1-2; i++)
{
U1[i] = U0[i] + DtAlpha* (U0[i+1]-2.0*U0[i]+U0[i-1])*InvDxDx;
}
for( i = 2; i < n1-2; i++)
{
U0[i] = U1[i] + DtAlpha* (U1[i+1]-2.0*U1[i]+U1[i-1])*InvDxDx;
}
}
time1=clock();
printf("Loop 0, total time : %f \n", (double) time1-time0);
f1 = fopen ("outref.dat", "wt");
for( i = 1; i < n1-1; i++)
{
fprintf (f1, "%d\t%f\n", i, U0[i]);
}
}
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Изменить:
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Учитывая ваши ответы, я нашел подходящее место для обсуждения этого, поэтому я расширим тему и объясню свои цели. Если вы согласны, мы обсудим все циклы один за другим. Это может быть долго, но это может быть чрезвычайно полезно для многих людей в моей области, а также для решателей OpenSource, таких как OpenFoam. Без учета влияния на энергопотребление (мы все пользуемся большими суперкалькуляторами).
Код CFD, который я использую, работает более 1 месяца на 512 ядрах Westmer. Я использую MPI (интерфейс передачи сообщений) для связи между процессами. Поле Physic можно рассматривать как сетку, то есть массивы 1D, 2D или 3D, в зависимости от типа моделирования. Но 3D — это лучшее, что вы можете себе представить.
Полный код находится на Fortran 95, который на самом деле является упрощенным C. Его легко связать с C, а подпрограммы C можно вызывать прямо из Fortran, типы те же (int, double, long и т. д.). Но Фортран не допускает таких оптимизаций: он разработан, чтобы быть простым. Вот почему я исследую инструкции C.
Во всех кодах CFD мы сталкиваемся с одними и теми же проблемами: 3 типа циклов и распределение памяти MPI. Давайте сначала обсудим циклы:
Пространственные производные (называемые конечной разностью). Цикл состоит из одномерной свертки для всех случаев (одномерные, двухмерные, трехмерные, вы производите производные только по одной оси за раз) (DF = F[i-1 ]*A + F[i]*B + F[i+1]*C). Однако при использовании более 1D доступ к памяти становится следующим:
// x1 derivative for i 1 -> n1 for j 1 ->n2 DF_x1[i][j] = F[i-1][j]*A + F[i][j]*B + F[i+1][j]*C // x2 derivative for i 1 -> n1 for j 1 ->n2 DF_x2[i][j] = F[i][j-1]*D + F[i][j]*E + F[i][j+1]*G
В первом цикле обращение к памяти не продолжается (инверсия в Фортране, инвертируется память). Это первая проблема. То же самое при использовании 3D-массивов.
Разрешение уравнения Пуассона, т. е. умножение матриц. Цикл состоит из одномерной, двухмерной или трехмерной свертки, в зависимости от моделирования. На самом деле это вторая производная (DDF = D(DF)).
for i 1 -> n1 for j 1 ->n2 DDF[i][j] = F[i-1][j]*A + F[i][j]*B + F[i+1][j]*C + F[i][j-1]*D + F[i][j]*E + F[i][j+1]*G
Этот цикл такой же, как цикл, который я дал вам сначала, но он вычисляется напрямую, а не четный и нечетный.
Взвешенное разрешение Гаусса-Зейделя, то есть тот же цикл, что и ниже, но с зависимостью:
// even for i 1 -> n1 for j 1 ->n2 F1[i][j] = F0[i-1][j]*A + F0[i][j]*B + F0[i+1][j]*C + F0[i][j-1]*D + F0[i][j]*E + F0[i][j+1]*G //odd for i 1 -> n1 for j 1 ->n2 F0[i][j] = F1[i-1][j]*A + F1[i][j]*B + F1[i+1][j]*C + F1[i][j-1]*D + F1[i][j]*E + F1[i][j+1]*G
Это петля, которую вы исследовали ранее.
Затем мы сталкиваемся с другой проблемой: распределением памяти. Каждое ядро имеет свою память, и нужно делиться ею с другими. Рассмотрим последний цикл, но упрощенно:
for t 1 -> niter
// even
for i 1 -> n1-2
F1[i] = F0[i-1]*A + F0[i]*B + F0[i+1]*C
//odd
for i 1 -> n1-2
F0[i] = F1[i-1]*A + F1[i]*B + F1[i+1]*C
Учтите, что n1=512, но это не может быть сохранено в локальной памяти из-за малого объема оперативной памяти. Память распределяется по ядрам core0 (1->255) и core1 (256-512), которые находятся НЕ на одном компьютере, а в сети. В этом случае производную по i=256 нужно знать по точке i=255, но это значение находится на другом проце. Память, содержащая значения других процессоров, называется памятью GHOST. Итак, петля:
! update boundary memory :
Share to ghost : core0 : F0[255] -> Network -> F0[0] : core1 (don't forget that for core1, the array restart from 0)
Share to ghost : core1 : F0[1] -> Network -> F0[256] : core0 (you understand that F0[256] is the ghost for core0, and F0[0] is the ghost for core1)
// even, each core do this loop.
for i 1 -> n1-2
F1[i] = F0[i-1]*A + F0[i]*B + F0[i+1]*C
! update boundary memory :
Share to ghost : core0 : F1[255] -> Network -> F1[0] : core1
Share to ghost : core1 : F1[1] -> Network -> F1[256] : core0
//odd, each core do this loop.
for i 1 -> n1-2
F0[i] = F1[i-1]*A + F1[i]*B + F1[i+1]*C
Нам нужно разобраться с этим. Mysticial, теперь вы видите, к чему я клоню: переплетение циклов должно учитывать это. Я думаю, что это можно сделать так:
! update boundary memory :
Share to ghost : core0 : F0[255] -> Network -> F0[0] : core1
Share to ghost : core1 : F0[1] -> Network -> F0[256] : core0
for t 1 -> niter
! compute borders in advance :
core0 only : F1[255] = F0[254]*A + F0[255]*B + F0[256]*C
core1 only : F1[1] = F0[0]*A + F0[1]*B + F0[2]*C
Launch Share to ghost asynchronous : core0 : F1[255] -> Network -> F1[0] : core1
Launch Share to ghost asynchronous : core1 : F1[1] -> Network -> F1[256] : core0
During the same time (this can be done at the same time because MPI support asynchronous communications)
// even
for i 2 -> n1-3 (note the reduced domain)
F1[i] = F0[i-1]*A + F0[i]*B + F0[i+1]*C
Check that communications are done.
! compute borders in advance :
core0 only : F0[255] = F1[254]*A + F1[255]*B + F1[256]*C
core1 only : F0[1] = F1[0]*A + F1[1]*B + F1[2]*C
Launch Share to ghost asynchronous : core0 : F0[255] -> Network -> F0[0] : core1
Launch Share to ghost asynchronous : core1 : F0[1] -> Network -> F0[256] : core0
//odd, each core do this loop.
for i 2 -> n1-3
F0[i] = F1[i-1]*A + F1[i]*B + F1[i+1]*C
Check that communications are done.
Надеюсь, я не ошибся где-то с индексами. Давайте рассмотрим первый тип циклов на данный момент, которые являются самыми простыми, и мы можем пройти циклы 2 и 3 после, которые похожи. Цель состоит в том, чтобы сделать это (что похоже на обработку изображений):
// x1 derivative
for i 1 -> n1
for j 1 ->n2
DF_x1[i][j] = F[i-1][j]*A + F[i][j]*B + F[i+1][j]*C
// x2 derivative
for i 1 -> n1
for j 1 ->n2
DF_x2[i][j] = F[i][j-1]*D + F[i][j]*E + F[i][j+1]*G
Я над этим работаю, и через несколько часов выложу код результата с учетом ваших рекомендаций.