我试图在一个简单的特定问题上理解面向数据的设计。如果我正在做一些非常愚蠢的事情，请提前向面向数据的设计人员道歉，但我很难理解为什么以及我的推理失败的原因。
假设我有一个简单的操作，即float_t result = int_t(lhs) / int_t(rhs)。如果我将所有变量保存在相应的容器中，例如std::vector<float_t>和std::vector<int_t>，并且我使用std::transform，我会得到正确的结果。然后，对于using float_t = float和using int_t = int16_t的具体示例，我假设将这些变量打包在struct中，在64位体系结构上，并将它们收集在容器内应该会产生更好的性能。
我认为struct组成了一个64位对象，并且对struct的单个内存访问将为我提供所需的所有变量。另一方面，当所有这些变量都收集在不同的容器中时，我将需要三种不同的内存访问来获取所需的信息。以下是我设置环境的方法：
#include <algorithm>
#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>
using namespace std::chrono;
template <class float_t, class int_t> struct Packed {
float_t sinvl;
int_t s, l;
Packed() = default;
Packed(float_t sinvl, int_t s, int_t l) : sinvl{sinvl}, s{s}, l{l} {}
void comp() { sinvl = float_t(l) / s; }
};
using my_float = float;
using my_int = int16_t;
int main(int argc, char *argv[]) {
constexpr uint32_t M{100};
for (auto N : {1000, 10000, 100000}) {
double t1{0}, t2{0};
for (uint32_t m = 0; m < M; m++) {
std::vector<my_float> sinvl(N, 0.0);
std::vector<my_int> s(N, 3), l(N, 2);
std::vector<Packed<my_float, my_int>> p1(
N, Packed<my_float, my_int>(0.0, 3, 2));
// benchmark unpacked
auto tstart = high_resolution_clock::now();
std::transform(l.cbegin(), l.cend(), s.cbegin(), sinvl.begin(),
std::divides<my_float>{}); // 3 different memory accesses
auto tend = high_resolution_clock::now();
t1 += duration_cast<microseconds>(tend - tstart).count();
if (m == M - 1)
std::cout << "sinvl[0]: " << sinvl[0] << '\n';
// benchmark packed
tstart = high_resolution_clock::now();
for (auto &elem : p1) // 1 memory access
elem.comp();
tend = high_resolution_clock::now();
t2 += duration_cast<microseconds>(tend - tstart).count();
if (m == M - 1)
std::cout << "p1[0].sinvl: " << p1[0].sinvl << '\n';
}
std::cout << "N = " << N << ", unpacked: " << (t1 / M) << " us.\n";
std::cout << "N = " << N << ", packed: " << (t2 / M) << " us.\n";
}
return 0;
}
使用g++ -O3编译的代码在我的机器上产生，
sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 1000, unpacked: 0 us.
N = 1000, packed: 1 us.
sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 10000, unpacked: 5.06 us.
N = 10000, packed: 12.97 us.
sinvl[0]: 0.666667
p1[0].sinvl: 0.666667
N = 100000, unpacked: 52.31 us.
N = 100000, packed: 124.49 us.
基本上，std::transform击败2.5x的包装访问。如果你帮助我了解这种行为，我将不胜感激。结果是由于
最后，在这个例子中有没有办法击败std::transform，或者，它是否足以成为一个首选解决方案？我既不是编译器优化也不是数据导向设计的专家，因此，我自己也无法回答这个问题。
谢谢！
编辑。我根据@ bolov在评论中的建议改变了我测试这两种方法的方式。
现在代码看起来像：
#include <algorithm>
#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>
using namespace std::chrono;
template <class float_t, class int_t> struct Packed {
float_t sinvl;
int_t s, l;
Packed() = default;
Packed(float_t sinvl, int_t s, int_t l) : sinvl{sinvl}, s{s}, l{l} {}
void comp() { sinvl = float_t(l) / s; }
};
using my_float = float;
using my_int = int16_t;
int main(int argc, char *argv[]) {
uint32_t N{1000};
double t{0};
if (argc == 2)
N = std::stoul(argv[1]);
#ifndef _M_PACKED
std::vector<my_float> sinvl(N, 0.0);
std::vector<my_int> s(N, 3), l(N, 2);
// benchmark unpacked
auto tstart = high_resolution_clock::now();
std::transform(l.cbegin(), l.cend(), s.cbegin(), sinvl.begin(),
std::divides<my_float>{}); // 3 different memory accesses
auto tend = high_resolution_clock::now();
t += duration_cast<microseconds>(tend - tstart).count();
std::cout << "sinvl[0]: " << sinvl[0] << '\n';
std::cout << "N = " << N << ", unpacked: " << t << " us.\n";
#else
std::vector<Packed<my_float, my_int>> p1(N,
Packed<my_float, my_int>(0.0, 3, 2));
// benchmark packed
auto tstart = high_resolution_clock::now();
for (auto &elem : p1) // 1 memory access
elem.comp();
auto tend = high_resolution_clock::now();
t += duration_cast<microseconds>(tend - tstart).count();
std::cout << "p1[0].sinvl: " << p1[0].sinvl << '\n';
std::cout << "N = " << N << ", packed: " << t << " us.\n";
#endif
return 0;
}
用相应的shell（fish）脚本
g++ -Wall -std=c++11 -O3 transform.cpp -o transform_unpacked.out
g++ -Wall -std=c++11 -O3 transform.cpp -o transform_packed.out -D_M_PACKED
for N in 1000 10000 100000
echo "Testing unpacked for N = $N"
./transform_unpacked.out $N
./transform_unpacked.out $N
./transform_unpacked.out $N
echo "Testing packed for N = $N"
./transform_packed.out $N
./transform_packed.out $N
./transform_packed.out $N
end
它给出了以下内容：
Testing unpacked for N = 1000
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
sinvl[0]: 0.666667
N = 1000, unpacked: 0 us.
Testing packed for N = 1000
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
p1[0].sinvl: 0.666667
N = 1000, packed: 1 us.
Testing unpacked for N = 10000
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
sinvl[0]: 0.666667
N = 10000, unpacked: 5 us.
Testing packed for N = 10000
p1[0].sinvl: 0.666667
N = 10000, packed: 17 us.
p1[0].sinvl: 0.666667
N = 10000, packed: 13 us.
p1[0].sinvl: 0.666667
N = 10000, packed: 13 us.
Testing unpacked for N = 100000
sinvl[0]: 0.666667
N = 100000, unpacked: 64 us.
sinvl[0]: 0.666667
N = 100000, unpacked: 66 us.
sinvl[0]: 0.666667
N = 100000, unpacked: 66 us.
Testing packed for N = 100000
p1[0].sinvl: 0.666667
N = 100000, packed: 180 us.
p1[0].sinvl: 0.666667
N = 100000, packed: 198 us.
p1[0].sinvl: 0.666667
N = 100000, packed: 177 us.
我希望我已经正确理解了正确的测试方法。尽管如此，差异仍然是2-3倍。
这是std::transform案例的编译循环：
400fd0: f3 41 0f 7e 04 47 movq xmm0,QWORD PTR [r15+rax*2]
400fd6: 66 0f 61 c0 punpcklwd xmm0,xmm0
400fda: 66 0f 72 e0 10 psrad xmm0,0x10
400fdf: 0f 5b c0 cvtdq2ps xmm0,xmm0
400fe2: f3 0f 7e 0c 43 movq xmm1,QWORD PTR [rbx+rax*2]
400fe7: 66 0f 61 c9 punpcklwd xmm1,xmm1
400feb: 66 0f 72 e1 10 psrad xmm1,0x10
400ff0: 0f 5b c9 cvtdq2ps xmm1,xmm1
400ff3: 0f 5e c1 divps xmm0,xmm1
400ff6: 41 0f 11 04 80 movups XMMWORD PTR [r8+rax*4],xmm0
400ffb: f3 41 0f 7e 44 47 08 movq xmm0,QWORD PTR [r15+rax*2+0x8]
401002: 66 0f 61 c0 punpcklwd xmm0,xmm0
401006: 66 0f 72 e0 10 psrad xmm0,0x10
40100b: 0f 5b c0 cvtdq2ps xmm0,xmm0
40100e: f3 0f 7e 4c 43 08 movq xmm1,QWORD PTR [rbx+rax*2+0x8]
401014: 66 0f 61 c9 punpcklwd xmm1,xmm1
401018: 66 0f 72 e1 10 psrad xmm1,0x10
40101d: 0f 5b c9 cvtdq2ps xmm1,xmm1
401020: 0f 5e c1 divps xmm0,xmm1
401023: 41 0f 11 44 80 10 movups XMMWORD PTR [r8+rax*4+0x10],xmm0
401029: 48 83 c0 08 add rax,0x8
40102d: 48 83 c1 02 add rcx,0x2
401031: 75 9d jne 400fd0 <main+0x570>
在每个循环周期中，它处理8个元素（有两个divps指令，每个指令执行4个分区）。
这是另一种情况：
401190: f3 0f 6f 42 04 movdqu xmm0,XMMWORD PTR [rdx+0x4]
401195: f3 0f 6f 4a 14 movdqu xmm1,XMMWORD PTR [rdx+0x14]
40119a: 66 0f 70 c9 e8 pshufd xmm1,xmm1,0xe8
40119f: 66 0f 70 c0 e8 pshufd xmm0,xmm0,0xe8
4011a4: f2 0f 70 d0 e8 pshuflw xmm2,xmm0,0xe8
4011a9: 66 0f 6c c1 punpcklqdq xmm0,xmm1
4011ad: 66 0f 72 e0 10 psrad xmm0,0x10
4011b2: 0f 5b c0 cvtdq2ps xmm0,xmm0
4011b5: f2 0f 70 c9 e8 pshuflw xmm1,xmm1,0xe8
4011ba: 66 0f 62 d1 punpckldq xmm2,xmm1
4011be: 66 0f 61 ca punpcklwd xmm1,xmm2
4011c2: 66 0f 72 e1 10 psrad xmm1,0x10
4011c7: 0f 5b c9 cvtdq2ps xmm1,xmm1
4011ca: 0f 5e c1 divps xmm0,xmm1
4011cd: f3 0f 11 02 movss DWORD PTR [rdx],xmm0
4011d1: 0f 28 c8 movaps xmm1,xmm0
4011d4: 0f c6 c9 e5 shufps xmm1,xmm1,0xe5
4011d8: f3 0f 11 4a 08 movss DWORD PTR [rdx+0x8],xmm1
4011dd: 0f 28 c8 movaps xmm1,xmm0
4011e0: 0f 12 c9 movhlps xmm1,xmm1
4011e3: f3 0f 11 4a 10 movss DWORD PTR [rdx+0x10],xmm1
4011e8: 0f c6 c0 e7 shufps xmm0,xmm0,0xe7
4011ec: f3 0f 11 42 18 movss DWORD PTR [rdx+0x18],xmm0
4011f1: 48 83 c2 20 add rdx,0x20
4011f5: 48 83 c1 fc add rcx,0xfffffffffffffffc
4011f9: 75 95 jne 401190 <main+0x730>
在每个循环周期中，它处理4个元素（有一个divps指令）。
在第一种情况下，数据格式良好，SIMD指令可以（几乎）在没有任何数据移动的情况下对它们进行操作，并且结果可以很容易地写入（4个结果用单个指令写入）。
然而，在第二种情况下，情况并非如此。编译器必须发出大量数据移动（shuffle）操作，并且每个结果都使用单独的指令编写。因此输入/输出不是SIMD友好格式。
我没有时间进一步分析这个问题，但如果你只是假设这两个片段的大小相似，类似的说明，但第一个处理的元素是第二个的两倍，你可以得到想法为什么第二个更慢。对于草率的解释感到抱歉。
[...]并将它们收集在容器内应该会产生更好的性能。
对于顺序访问案例，我认为你的直觉有点倒退。考虑到非平凡大小的输入上的顺序循环，SoA几乎总是比AoS更快或更快地进行顺序访问。
在许多情况下，SoA实际上将比AoS减少更少的缓存未命中因为它避免了结构填充（不会面对交错非同类字段的对齐要求），并且您可能能够避免为给定的循环加载冷字段（例如：物理模拟器可能能够避免加载粒子的color场，仅用于渲染，当应用物理时）。你的情况不会受益于这两种情况，但要记住这一点。
AoS倾向于优于随机访问。在这种情况下，如果你加载第4096个元素，你可能只需要一个带有AoS的缓存行来获取所有三个字段。如果您使用SoA，则需要3并且它可能会加载相邻元素的大量数据（元素4097,4098,4099等的数据），由于随机访问性质，在驱逐之前都不会使用它们。内存访问模式。但是对于顺序访问，所有这些相邻数据通常甚至在驱逐之前与SoA代表一起使用。
因此，在您按顺序循环遍历非平凡输入大小的情况下，在缓存未命中方面，SoA通常会绑定或赢取。
但此外，在驱逐之前将使用所有相邻数据的顺序访问模式中，当您考虑数据从缓存加载到SIMD寄存器时的动态，SoA提供同类数据。它可以以float, float, float, float, ...和int16, int16, int16, int16, ...的形式加载内存，而不是float, int16, int16, float, int16, int16 ...，在SIMD寄存器中执行垂直/对称操作。这样的情况往往为人类和编译器提供更多的优化机会，而且正如Geza指出的那样，这可能是您的特定案例受益最多的地方。
最后，有没有办法在这个例子中击败std :: transform，或者，它是否足以成为一个首选解决方案？
我认为尝试击败std::transform同时满足相同的要求是错误的看待它的方式，但你可以通过改变它们来挤压一些性能提升。例如，您可能可以提前准备数据以将其转换为乘法，而不是std::divides。在你的情况下，我要寻找的最重要的事情是看看代码是否可以与更快的SoA（“unpacked”）代表并行执行。您可以在每个单独的线程中处理每个SoA容器的给定索引范围，仍然在每个线程中使用std::transform。