AVX512加速矩阵乘法
最近打PKU的HPCGAME用的代码,这里只用上了20个zmm寄存器,改变block的大小应该还能优化一下速度。
代码只考虑了方阵,其他非2^n次方阵要自己改代码。具体原理很简单,看看代码就差不多知道。
const int BLOCK_SIZE = 1024;
const int BLOCK_SIZE2 = 256;
inline static void block_avx512_32x4( // AVX256效果不好,硬着头皮上吧(汇编上看好像还有12个寄存器没用上,还有优化空间)
int n, int K, //方阵大小
double* A, double* B, double* C)
{
__m512d c0000_0700,c0800_1500, c1600_2300, c2400_3100,
c0001_0701, c0801_1501, c1601_2301, c2401_3101,
c0002_0702, c0802_1502, c1602_2302, c2402_3102,
c0003_0703, c0803_1503, c1603_2303, c2403_3103;
__m512d a0x_7x, a8x_15x, a16x_23x, a24x_31x,
bx0, bx1, bx2, bx3;
double* c0001_0701_ptr = C + n;
double* c0002_0702_ptr = C + n * 2;
double* c0003_0703_ptr = C + n * 3;
c0000_0700 = _mm512_load_pd(C);
c0800_1500 = _mm512_load_pd(C + 8);
c1600_2300 = _mm512_load_pd(C + 16);
c2400_3100 = _mm512_load_pd(C + 24);
c0001_0701 = _mm512_load_pd(c0001_0701_ptr);
c0801_1501 = _mm512_load_pd(c0001_0701_ptr + 8);
c1601_2301 = _mm512_load_pd(c0001_0701_ptr + 16);
c2401_3101 = _mm512_load_pd(c0001_0701_ptr + 24);
c0002_0702 = _mm512_load_pd(c0002_0702_ptr);
c0802_1502 = _mm512_load_pd(c0002_0702_ptr + 8);
c1602_2302 = _mm512_load_pd(c0002_0702_ptr + 16);
c2402_3102 = _mm512_load_pd(c0002_0702_ptr + 24);
c0003_0703 = _mm512_load_pd(c0003_0703_ptr);
c0803_1503 = _mm512_load_pd(c0003_0703_ptr + 8);
c1603_2303 = _mm512_load_pd(c0003_0703_ptr + 16);
c2403_3103 = _mm512_load_pd(c0003_0703_ptr + 24);
for (int x = 0; x < K; ++x)
{
a0x_7x = _mm512_load_pd(A);
a8x_15x = _mm512_load_pd(A + 8);
a16x_23x = _mm512_load_pd(A + 16);
a24x_31x = _mm512_load_pd(A + 24);
A += 32;
bx0 = _mm512_broadcastsd_pd(_mm_load_sd(B++));
bx1 = _mm512_broadcastsd_pd(_mm_load_sd(B++));
bx2 = _mm512_broadcastsd_pd(_mm_load_sd(B++));
bx3 = _mm512_broadcastsd_pd(_mm_load_sd(B++));
c0000_0700 = _mm512_add_pd(_mm512_mul_pd(a0x_7x, bx0), c0000_0700);
c0800_1500 = _mm512_add_pd(_mm512_mul_pd(a8x_15x, bx0), c0800_1500);
c1600_2300 = _mm512_add_pd(_mm512_mul_pd(a16x_23x, bx0), c1600_2300);
c2400_3100 = _mm512_add_pd(_mm512_mul_pd(a24x_31x, bx0), c2400_3100);
c0001_0701 = _mm512_add_pd(_mm512_mul_pd(a0x_7x, bx1), c0001_0701);
c0801_1501 = _mm512_add_pd(_mm512_mul_pd(a8x_15x, bx1), c0801_1501);
c1601_2301 = _mm512_add_pd(_mm512_mul_pd(a16x_23x, bx1), c1601_2301);
c2401_3101 = _mm512_add_pd(_mm512_mul_pd(a24x_31x, bx1), c2401_3101);
c0002_0702 = _mm512_add_pd(_mm512_mul_pd(a0x_7x, bx2), c0002_0702);
c0802_1502 = _mm512_add_pd(_mm512_mul_pd(a8x_15x, bx2), c0802_1502);
c1602_2302 = _mm512_add_pd(_mm512_mul_pd(a16x_23x, bx2), c1602_2302);
c2402_3102 = _mm512_add_pd(_mm512_mul_pd(a24x_31x, bx2), c2402_3102);
c0003_0703 = _mm512_add_pd(_mm512_mul_pd(a0x_7x, bx3), c0003_0703);
c0803_1503 = _mm512_add_pd(_mm512_mul_pd(a8x_15x, bx3), c0803_1503);
c1603_2303 = _mm512_add_pd(_mm512_mul_pd(a16x_23x, bx3), c1603_2303);
c2403_3103 = _mm512_add_pd(_mm512_mul_pd(a24x_31x, bx3), c2403_3103);
}
_mm512_storeu_pd(C, c0000_0700);
_mm512_storeu_pd(C + 8, c0800_1500);
_mm512_storeu_pd(C + 16, c1600_2300);
_mm512_storeu_pd(C + 24, c2400_3100);
_mm512_storeu_pd(c0001_0701_ptr, c0001_0701);
_mm512_storeu_pd(c0001_0701_ptr + 8, c0801_1501);
_mm512_storeu_pd(c0001_0701_ptr + 16, c1601_2301);
_mm512_storeu_pd(c0001_0701_ptr + 24, c2401_3101);
_mm512_storeu_pd(c0002_0702_ptr, c0002_0702);
_mm512_storeu_pd(c0002_0702_ptr + 8, c0802_1502);
_mm512_storeu_pd(c0002_0702_ptr + 16, c1602_2302);
_mm512_storeu_pd(c0002_0702_ptr + 24, c2402_3102);
_mm512_storeu_pd(c0003_0703_ptr, c0003_0703);
_mm512_storeu_pd(c0003_0703_ptr + 8, c0803_1503);
_mm512_storeu_pd(c0003_0703_ptr + 16, c1603_2303);
_mm512_storeu_pd(c0003_0703_ptr + 24, c2403_3103);
}
static inline void copy_avx512_b(int lda, const int K, double* b_src, double* b_dest) {
double* b_ptr0, * b_ptr1, * b_ptr2, * b_ptr3;
b_ptr0 = b_src;
b_ptr1 = b_ptr0 + lda;
b_ptr2 = b_ptr1 + lda;
b_ptr3 = b_ptr2 + lda;
for (int i = 0; i < K; ++i)
{
*b_dest++ = *b_ptr0++;
*b_dest++ = *b_ptr1++;
*b_dest++ = *b_ptr2++;
*b_dest++ = *b_ptr3++;
}
}
static inline void copy_avx512_a(int lda, const int K, double* a_src, double* a_dest) {
for (int i = 0; i < K; ++i)
{
memcpy(a_dest, a_src, 32 * 8);
a_dest += 32;
a_src += lda;
}
}
static inline void do_block_avx512(int lda, int M, int N, int K, double* A, double* B, double* C)
{
double* A_block, * B_block;
A_block = (double*)_mm_malloc(M * K * sizeof(double), 64);
B_block = (double*)_mm_malloc(K * N * sizeof(double), 64);
double* a_ptr, * b_ptr, * c;
const int Nmax = N - 3;
int Mmax = M - 32;
int i = 0, j = 0, p = 0;
for (j = 0; j < Nmax; j += 4)
{
b_ptr = &B_block[j * K];
copy_avx512_b(lda, K, B + j * lda, b_ptr); // 将 B 展开
for (i = 0; i < Mmax; i += 32) {
a_ptr = &A_block[i * K];
if (j == 0) copy_avx512_a(lda, K, A + i, a_ptr); // 将 A 展开
c = C + i + j * lda;
block_avx512_32x4(lda, K, a_ptr, b_ptr, c);
}
}
_mm_free(A_block);
_mm_free(B_block);
}
void gemm_avx512(int lda, double* A, double* B, double* C)
{
#pragma omp parallel for
for (int j = 0; j < lda; j += BLOCK_SIZE) { // j i k 序 内存读写更快
for (int i = 0; i < lda; i += BLOCK_SIZE) {
for (int k = 0; k < lda; k += BLOCK_SIZE) {
// 大分块里小分块
for (int jj = j; jj < j + BLOCK_SIZE; jj += BLOCK_SIZE2)
for (int ii = i; ii < i + BLOCK_SIZE; ii += BLOCK_SIZE2)
for (int kk = k; kk < k + BLOCK_SIZE; kk += BLOCK_SIZE2)
do_block_avx512(lda, BLOCK_SIZE2, BLOCK_SIZE2, BLOCK_SIZE2, A + ii + kk * lda, B + kk + jj * lda, C + ii + jj * lda);
}
}
}
}
AVX512加速矩阵乘法的更多相关文章
- 【POJ3613】Cow Relays 离散化+倍增+矩阵乘法
题目大意:给定一个 N 个顶点,M 条边的无向图,求从起点到终点恰好经过 K 个点的最短路. 题解:设 \(d[1][i][j]\) 表示恰好经过一条边 i,j 两点的最短路,那么有 \(d[r+m] ...
- 如何使用矩阵乘法加速动态规划——以[SDOI2009]HH去散步为例
对这个题目的最初理解 开始看到这个题,觉得很水,直接写了一个最简单地动态规划,就是定义 f[i][j]为到了i节点路径长度为j的路径总数, 转移的话使用Floyd算法的思想去转移,借助这个题目也理解了 ...
- [模板][题解][Luogu1939]矩阵乘法加速递推(详解)
题目传送门 题目大意:计算数列a的第n项,其中: \[a[1] = a[2] = a[3] = 1\] \[a[i] = a[i-3] + a[i - 1]\] \[(n ≤ 2 \times 10^ ...
- BZOJ 1009 GT考试 (AC自动机 + 矩阵乘法加速dp)
题目链接: https://www.lydsy.com/JudgeOnline/problem.php?id=1009 题意: 准考证号为\(n\)位数\(X_1X_2....X_n(0<=X_ ...
- 『公交线路 状压dp 矩阵乘法加速』
公交线路 Description 小Z所在的城市有N个公交车站,排列在一条长(N-1)km的直线上,从左到右依次编号为1到N,相邻公交车站间的距离均为1km. 作为公交车线路的规划者,小Z调查了市民的 ...
- c++的矩阵乘法加速trick
最近读RNNLM的源代码,发现其实现矩阵乘法时使用了一个trick,这里描述一下这个trick. 首先是正常版的矩阵乘法(其实是矩阵乘向量) void matrixXvector(float* des ...
- HDU 5607 graph(DP+矩阵乘法)
[题目链接] http://bestcoder.hdu.edu.cn/contests/contest_showproblem.php?cid=663&pid=1002 [题意] 给定一个有向 ...
- BZOJ_1009_[HNOI2008]GT考试_KMP+矩阵乘法
BZOJ_1009_[HNOI2008]GT考试_KMP+矩阵乘法 Description 阿申准备报名参加GT考试,准考证号为N位数X1X2....Xn(0<=Xi<=9),他不希望准考 ...
- Codeforces 1106F Lunar New Year and a Recursive Sequence | BSGS/exgcd/矩阵乘法
我诈尸啦! 高三退役选手好不容易抛弃天利和金考卷打场CF,结果打得和shi一样--还因为queue太长而unrated了!一个学期不敲代码实在是忘干净了-- 没分该没分,考题还是要订正的 =v= 欢迎 ...
- [转]OpenBLAS项目与矩阵乘法优化
课程内容 OpenBLAS项目介绍 矩阵乘法优化算法 一步步调优实现 以下为公开课完整视频,共64分钟: 以下为公开课内容的文字及 PPT 整理. 雷锋网的朋友们大家好,我是张先轶,今天主要介绍一下我 ...
随机推荐
- django执行迁移文件报错struct.error: unpack requires a buffer of 4 bytes
问题: 我使用的版本说明 django:2.2版本 djangorestframework:3.11版本 python3.6版本 解决 查了下资料,没有很详细的说明,我是因为需要使用继承django自 ...
- PMP考试计算题汇总
第6章 项目时间管理 本节术语较多.涉及的工具&技术也不少. 主要包括活动定义.活动排序.活动资源估算.活动历时估算.进度制定.进度控制6个子过程. 1.1活动定义:就是对WBS的进一步分解. ...
- 08、Etcd 中MVCC原理
本篇内容主要来源于自己学习的视频,如有侵权,请联系删除,谢谢. 1.什么是 MVCC MVCC(Multiversion concurrency control)是一个基于多版本技术实现的一种并发控制 ...
- 虚拟机安装Mac操作系统
参考博客https://www.bilibili.com/read/cv25662180/?spm_id_from=333.1007.0.0
- 5. JVM虚拟机栈
1.概述 说到jvm 其中让人印象最深的就是栈和堆,也是 jvm中占用内存最大的两个地方. 从宏观上来看栈是运行时的单位,而堆是存储的单位 ,栈解决程序的运行问题,即程序如何执行,或者说如何处理数据. ...
- Java 包装类的使用(自动装箱+自动拆箱)+Vector
1 package com.bytezreo.ut; 2 3 import java.util.Scanner; 4 import java.util.Vector; 5 6 /** 7 * 8 * ...
- [学习笔记]在CentOS7中用Docker方式安装Jenkins
@ 目录 原理: 创建Docker网桥网络 安装DinD 创建镜像 构建镜像 运行容器 原理: Docker in Docker (以下简称 DinD)可以在 Container 中直接运行一个 Do ...
- 适用于AbpBoilerplate的阿里云腾讯云Sms短信服务
Sms 适用于AbpBoilerplate的短信服务(Short Message Service,SMS)模块,通过简单配置即可使用,仅更改一处代码即可切换短信服务提供商. Aliyun.Sms由阿里 ...
- Nginx安装nginx-rtmp-module模块
简介 nginx中的模块虽然就是类似插件的概念,但是它无法像VsCode那样轻松的安装扩展. nginx要安装其它模块必须同时拿到nginx源代码和模块源代码,然后手动编译,将模块打到nginx中,最 ...
- select 对当前选项显示文本的获取 m.options[m.selectedIndex].text | selectz
select 对当前选项显示文本的获取 m.options[m.selectedIndex].text | selectz <html> <head> <title> ...