为什么“#pragma omp simd”在gcc编译器下只能在“-O2”中获得很大的性能提升？

Question

检查以下代码：

#include <stdio.h>
#include <omp.h>

#define ARRAY_SIZE  (1024)
float A[ARRAY_SIZE];
float B[ARRAY_SIZE];
float C[ARRAY_SIZE];

int main(void)
{   
    for (int i = 0; i < ARRAY_SIZE; i++)
    {
        A[i] = i * 2.3;
        B[i] = i + 4.6;
    }

    double start = omp_get_wtime();
    for (int loop = 0; loop < 1000000; loop++)
    {
        #pragma omp simd
        for (int i = 0; i < ARRAY_SIZE; i++)
        {
            C[i] = A[i] * B[i];
        }
    }
    double end = omp_get_wtime();
    printf("Work consumed %f seconds\n", end - start);
    return 0;
}

在我的机器上构建并运行它，它输出：

$ gcc -fopenmp parallel.c
$ ./a.out
Work consumed 2.084107 seconds

如果我注释掉“#pragma omp simd”，请再次构建并运行它：

$ gcc -fopenmp parallel.c
$ ./a.out
Work consumed 2.112724 seconds

我们可以看到“#pragma omp simd”没有获得巨大的性能提升。但如果我添加-O2选项，没有“#pragma omp simd”：

$ gcc -O2 -fopenmp parallel.c
$ ./a.out
Work consumed 0.446662 seconds

随着“#pragma omp simd”：

$ gcc -O2 -fopenmp parallel.c
$ ./a.out
Work consumed 0.126799 seconds

我们可以看到一个很大的进步。但如果使用-O3，没有“#pragma omp simd”：

$ gcc -O3 -fopenmp parallel.c
$ ./a.out
Work consumed 0.127563 seconds

与“#pragma omp simd”：

$ gcc -O3 -fopenmp parallel.c
$ ./a.out
Work consumed 0.126727 seconds

我们可以看到结果再次相似。

为什么“#pragma omp simd”在-O2编译器下只在gcc上取得了很大的性能提升？

Answer 1

忘记与-O0，it's a total waste of time的时间安排。

gcc -O3尝试自动向量化所有循环，因此使用OpenMP pragma只能帮助您进行循环，否则只能在-ffast-math，restrict限定符或其他障碍下自动向量化，以便编译器必须满足自动向量化的所有可能情况纯C.（显然没有障碍：这里它不是减少，你有纯粹的垂直操作。你在静态数组上运行，所以编译器可以看到它们没有重叠）

gcc -O2不启用-ftree-vectorize，因此如果使用OpenMP pragma在特定循环上请求它，则只能进行自动向量化。

---

请注意，clang在-O2启用自动矢量化。

---

GCC自动矢量化策略可能在OpenMP和vanilla之间有所不同。 IIRC，对于OpenMP循环，gcc可能只使用未对齐的加载/存储而不是标量直到到达对齐边界。如果数据在运行时对齐，即使在编译时不知道该事实，这也没有AVX的漏洞。与gcc的大量完全展开的启动/清理代码相比，它节省了大量代码膨胀。

有意义的是，如果您要求使用OpenMP进行SIMD矢量化，则可能需要对齐数据以避免缓存行拆分。但是C传递给float的指针比float的宽度更多的对齐这一事实并不方便。 （特别是它通常具有该属性，即使你需要该功能在极少数情况下仍然可以工作）。