问题描述
我是一名经验丰富的 C++ 程序员，习惯于低级优化，并试图从 Go 中获得性能。
到目前为止，我对 GFlop/s 感兴趣。
我写了以下代码：
package main
import (
"fmt"
"time"
"runtime"
"sync"
)
func expm1(x float64) float64 {
return ((((((((((((((15.0 + x) * x + 210.0) * x + 2730.0) * x + 32760.0) * x + 360360.0) * x + 3603600.0) * x + 32432400.0) * x + 259459200.0) * x + 1816214400.0) * x + 10897286400.0) * x + 54486432000.0) * x + 217945728000.0) *
x + 653837184000.0) * x + 1307674368000.0) * x * 7.6471637318198164759011319857881e-13;
}
func twelve(x float64) float64 {
return expm1( expm1( expm1( expm1( expm1( expm1( expm1( expm1( expm1( expm1( expm1( expm1(x))))))))))));
}
func populate(data []float64,N int) {
cpuCOUNT := runtime.Numcpu();
var wg sync.WaitGroup
var slice = N / cpuCOUNT;
wg.Add(cpuCOUNT)
defer wg.Wait()
for i := 0; i < cpuCOUNT; i++ {
go func(ii int) {
for j := ii * slice; j < ii * slice + slice; j += 1 {
data[j] = 0.1;
}
defer wg.Done();
}(i);
}
}
func apply(data []float64,N int) {
cpuCOUNT := runtime.Numcpu();
var wg sync.WaitGroup
var slice = N / cpuCOUNT;
wg.Add(cpuCOUNT)
defer wg.Wait()
for i := 0; i < cpuCOUNT; i++ {
go func(ii int) {
for j := ii * slice; j < ii * slice + slice; j += 8 {
data[j] = twelve(data[j]);
data[j+1] = twelve(data[j+1]);
data[j+2] = twelve(data[j+2]);
data[j+3] = twelve(data[j+3]);
data[j+4] = twelve(data[j+4]);
data[j+5] = twelve(data[j+5]);
data[j+6] = twelve(data[j+6]);
data[j+7] = twelve(data[j+7]);
}
defer wg.Done();
}(i);
}
}
func Run(data []float64,N int) {
populate(data,N);
start:= time.Now();
apply(data,N);
stop:= time.Now();
elapsed:=stop.Sub(start);
seconds := float64(elapsed.Milliseconds()) / 1000.0;
Gflop := float64(N) * 12.0 * 15.0E-9;
fmt.Printf("%f\n",Gflop / seconds);
}
func main() {
cpuCOUNT := runtime.Numcpu();
fmt.Printf("num procs : %d\n",cpuCOUNT);
N := 1024*1024*32 * cpuCOUNT;
data:= make([]float64,N);
for i := 0; i < 100; i++ {
Run(data,N);
}
}
这是从我的 C++ 基准测试中转换而来的尝试，它产生了 80% 的峰值触发器。
C++ 版本产生 95 GFlop/s，其中 go 版本产生 6 GFlops/s（FMA 计数器为 1）。
这是 Go 程序集的一部分 (gccgo -O3 -mfma -mavx2)：
vfmadd132sd %xmm1,%xmm15,%xmm0
.loc 1 12 50
vfmadd132sd %xmm1,%xmm14,%xmm0
.loc 1 12 64
vfmadd132sd %xmm1,%xmm13,%xmm0
.loc 1 12 79
vfmadd132sd %xmm1,%xmm12,%xmm0
.loc 1 12 95
vfmadd132sd %xmm1,%xmm11,%xmm0
.loc 1 12 112
vfmadd132sd %xmm1,%xmm10,%xmm0
我从我的 C++ 代码中得到了什么 (g++ -fopenmp -mfma -mavx2 -O3)：
vfmadd213pd .LC3(%rip),%ymm12,%ymm5
vfmadd213pd .LC3(%rip),%ymm11,%ymm4
vfmadd213pd .LC3(%rip),%ymm10,%ymm3
vfmadd213pd .LC3(%rip),%ymm9,%ymm2
vfmadd213pd .LC3(%rip),%ymm8,%ymm1
vfmadd213pd .LC3(%rip),%ymm15,%ymm0
vfmadd213pd .LC4(%rip),%ymm14,%ymm7
vfmadd213pd .LC4(%rip),%ymm13,%ymm6
vfmadd213pd .LC4(%rip),%ymm5
vfmadd213pd .LC4(%rip),%ymm4
因此我有几个问题，其中最重要的是：
- 我是否以正确的方式表达并行性？
如果没有，我该怎么做？
为了进一步提高性能，我需要知道以下项目有什么问题：
- 为什么我在程序集中只看到 vfmadd132sd 指令，而不是 vfmadd132pd？
- 如何正确对齐内存分配？
- 如何从生成的可执行文件中删除调试信息？
- 我是否向 gccgo 传递了正确的选项？
- 我是否使用了正确的编译器？
解决方法
我是否以正确的方式表达并行性？
没有。您可能正在破坏 CPU 缓存。 （但如果不了解有关您系统的详细信息，就很难判断。猜猜这不是 NUMA？）。无论如何，从技术上讲，您的代码是并发而非并行的。
为什么我在程序集中只看到 vfmadd132sd 指令，而不是 vfmadd132pd ？
因为编译器把它放在那里。这是编译器问题还是编程问题？
如何正确对齐内存分配？
这取决于您对“正确”的定义。结构域和切片对齐不是临时可控的，但您可以重新排序结构域（您根本没有使用过，所以我不知道您在这里问的是什么）。
如何从生成的可执行文件中删除调试信息？
查阅 gcc 的文档。
我是否向 gccgo 传递了正确的选项？
我不知道。
我是否使用了正确的编译器？
什么使编译器“正确”？