先日『gccとclangのラムダ式に関する最適化具合の違い』というのを見つけたばかりですが（結果的にラムダ式というよりは参照に関する最適化に近かったですが）、今度は顕著に実行時間が1.5倍以上違う（clangの方が1.5倍速い）結果が出たので置いておきます。
実行可能なコードはbitbucketにあるので試してみてください（普通のmakeだとgcc、make -f Makefile_clangでclangになります）。
私の以下の環境だと、gccが約5.1[s]で、clangが約3.4[s]でした。
- Ubuntu 15.04 (GNU/Linux 3.19.0-26-generic x86_64)
- Intel(R) Core(TM) i7-3770K CPU @ 3.50GHz
- DDR3-1600 4GBx2
- gcc (Ubuntu 4.9.2-10ubuntu13) 4.9.2
- clang version 3.6.0-2ubuntu1 (tags/RELEASE_360/final) (based on LLVM 3.6.0)
これだとよく分からなかったので色々と削っていくと、最終的に以下の様なコード
force.cpp
#include <cmath>
struct Vector4
{
double data[4];
};
void Force(const Vector4 x[], Vector4 f[], const std::size_t n)
{
for (int i = 0; i < n; i++)
{
for (int j = 0; j < n; j++)
{
if (i != j)
{
const double x0 = x[i].data[0];
const double x1 = x[i].data[1];
const double x2 = x[i].data[2];
const double x3 = x[i].data[3];
const double r2 = (x0*x0 + x1*x1) + (x2*x2 + x3*x3);
const double f0 = f[i].data[0] + x0/r2;
const double f1 = f[i].data[1] + x1/r2;
const double f2 = f[i].data[2] + x2/r2;
const double f3 = f[i].data[3] + x3/r2;
f[i].data[0] = f0;
f[i].data[1] = f1;
f[i].data[2] = f2;
f[i].data[3] = f3;
}
}
}
}
を、
g++ -c -O3 force.cpp && objdump -M intel -S force.oclang++ -c -O3 force.cpp && objdump -M intel -S force.o
でコンパイルして中身を覗いてみると、
gcc.txt
0: 48 85 d2 test rdx,rdx
3: 0f 84 a2 00 00 00 je ab <_Z6NormalPK7Vector4PS_m+0xab>
9: 31 c9 xor ecx,ecx
b: 0f 1f 44 00 00 nop DWORD PTR [rax+rax*1+0x0]
10: 31 c0 xor eax,eax
12: 66 0f 1f 44 00 00 nop WORD PTR [rax+rax*1+0x0]
18: 39 c1 cmp ecx,eax
1a: 74 75 je 91 <_Z6NormalPK7Vector4PS_m+0x91>
1c: f2 0f 10 2f movsd xmm5,QWORD PTR [rdi]
20: f2 0f 10 67 08 movsd xmm4,QWORD PTR [rdi+0x8]
25: 66 0f 28 f5 movapd xmm6,xmm5
29: f2 0f 10 5f 10 movsd xmm3,QWORD PTR [rdi+0x10]
2e: 66 0f 28 c4 movapd xmm0,xmm4
32: f2 0f 59 f5 mulsd xmm6,xmm5
36: f2 0f 59 c4 mulsd xmm0,xmm4
3a: f2 0f 10 57 18 movsd xmm2,QWORD PTR [rdi+0x18]
3f: 66 0f 28 ca movapd xmm1,xmm2
43: f2 0f 58 f0 addsd xmm6,xmm0
47: 66 0f 28 c3 movapd xmm0,xmm3
4b: f2 0f 59 ca mulsd xmm1,xmm2
4f: f2 0f 59 c3 mulsd xmm0,xmm3
53: f2 0f 58 c1 addsd xmm0,xmm1
57: f2 0f 58 c6 addsd xmm0,xmm6
5b: f2 0f 5e e0 divsd xmm4,xmm0
5f: f2 0f 5e d8 divsd xmm3,xmm0
63: f2 0f 58 66 08 addsd xmm4,QWORD PTR [rsi+0x8]
68: f2 0f 11 66 08 movsd QWORD PTR [rsi+0x8],xmm4
6d: f2 0f 5e d0 divsd xmm2,xmm0
71: f2 0f 58 5e 10 addsd xmm3,QWORD PTR [rsi+0x10]
76: f2 0f 11 5e 10 movsd QWORD PTR [rsi+0x10],xmm3
7b: f2 0f 5e e8 divsd xmm5,xmm0
7f: f2 0f 58 56 18 addsd xmm2,QWORD PTR [rsi+0x18]
84: f2 0f 11 56 18 movsd QWORD PTR [rsi+0x18],xmm2
89: f2 0f 58 2e addsd xmm5,QWORD PTR [rsi]
8d: f2 0f 11 2e movsd QWORD PTR [rsi],xmm5
91: 83 c0 01 add eax,0x1
94: 39 d0 cmp eax,edx
96: 75 80 jne 18 <_Z6NormalPK7Vector4PS_m+0x18>
98: 83 c1 01 add ecx,0x1
9b: 48 83 c7 20 add rdi,0x20
9f: 48 83 c6 20 add rsi,0x20
a3: 39 d1 cmp ecx,edx
a5: 0f 85 65 ff ff ff jne 10 <_Z6NormalPK7Vector4PS_m+0x10>
ab: f3 c3 repz ret
clang.txt
0: 53 push rbx
1: 48 85 d2 test rdx,rdx
4: 0f 84 a4 00 00 00 je ae <_Z6NormalPK7Vector4PS_m+0xae>
a: 4c 8d 42 ff lea r8,[rdx-0x1]
e: 31 c9 xor ecx,ecx
10: 48 89 c8 mov rax,rcx
13: 48 c1 e0 05 shl rax,0x5
17: 4c 8d 0c 07 lea r9,[rdi+rax*1]
1b: 4c 8d 54 07 10 lea r10,[rdi+rax*1+0x10]
20: 4c 8d 1c 06 lea r11,[rsi+rax*1]
24: 48 8d 44 06 10 lea rax,[rsi+rax*1+0x10]
29: 31 db xor ebx,ebx
2b: 0f 1f 44 00 00 nop DWORD PTR [rax+rax*1+0x0]
30: 39 d9 cmp ecx,ebx
32: 74 65 je 99 <_Z6NormalPK7Vector4PS_m+0x99>
34: 66 41 0f 10 01 movupd xmm0,XMMWORD PTR [r9]
39: 66 41 0f 10 0a movupd xmm1,XMMWORD PTR [r10]
3e: 66 0f 28 d0 movapd xmm2,xmm0
42: f2 0f 59 d2 mulsd xmm2,xmm2
46: 66 0f 28 d8 movapd xmm3,xmm0
4a: 66 0f c6 db 01 shufpd xmm3,xmm3,0x1
4f: f2 0f 59 db mulsd xmm3,xmm3
53: f2 0f 58 da addsd xmm3,xmm2
57: 66 0f 28 d1 movapd xmm2,xmm1
5b: f2 0f 59 d2 mulsd xmm2,xmm2
5f: 66 0f 28 e1 movapd xmm4,xmm1
63: 66 0f c6 e4 01 shufpd xmm4,xmm4,0x1
68: f2 0f 59 e4 mulsd xmm4,xmm4
6c: f2 0f 58 e2 addsd xmm4,xmm2
70: f2 0f 58 e3 addsd xmm4,xmm3
74: 66 41 0f 10 13 movupd xmm2,XMMWORD PTR [r11]
79: 0f 16 e4 movlhps xmm4,xmm4
7c: 66 0f 5e c4 divpd xmm0,xmm4
80: 66 0f 58 c2 addpd xmm0,xmm2
84: 66 0f 10 10 movupd xmm2,XMMWORD PTR [rax]
88: 66 0f 5e cc divpd xmm1,xmm4
8c: 66 0f 58 ca addpd xmm1,xmm2
90: 66 41 0f 11 03 movupd XMMWORD PTR [r11],xmm0
95: 66 0f 11 08 movupd XMMWORD PTR [rax],xmm1
99: 48 ff c3 inc rbx
9c: 48 39 da cmp rdx,rbx
9f: 75 8f jne 30 <_Z6NormalPK7Vector4PS_m+0x30>
a1: 4c 39 c1 cmp rcx,r8
a4: 48 8d 49 01 lea rcx,[rcx+0x1]
a8: 0f 85 62 ff ff ff jne 10 <_Z6NormalPK7Vector4PS_m+0x10>
ae: 5b pop rbx
af: c3 ret
となってました。
注目すべきは、真ん中あたりのje 99 <_Z6NormalPK7Vector4PS_m+0x99>から次のjne 30 <_Z6NormalPK7Vector4PS_m+0x30>あたりのxmmレジスタを操作してる辺り。
この辺りがコード上で処理本体になる
const double x0 = x[i].data[0];
const double x1 = x[i].data[1];
const double x2 = x[i].data[2];
const double x3 = x[i].data[3];
const double r2 = (x0*x0 + x1*x1) + (x2*x2 + x3*x3);
const double f0 = f[i].data[0] + x0/r2;
const double f1 = f[i].data[1] + x1/r2;
const double f2 = f[i].data[2] + x2/r2;
const double f3 = f[i].data[3] + x3/r2;
f[i].data[0] = f0;
f[i].data[1] = f1;
f[i].data[2] = f2;
f[i].data[3] = f3;
に対応していますが、gccはほぼ*sd命令で単発実行（movapdを除く）なのに対して、clangは*pd命令も使ってSSE2でSIMD化しているところです。
例えばx/r2は、gccだとdivsdを4回で忠実に書いてますが、clangはdivpdを2回にパックしてます。
よくよく見てみると、*pdになっている部分は、後段のfの計算部分です。ここがSIMDで2要素同時実行できているので、実行時間は半分が半分になって3/4（つまり1.5倍の速度）という感じになっているようです。
ほんとは前段のr2の計算も自動ベクトル化（SIMD化）してmulpdがほしかったんですが、うまくコードが出てきませんでした。うーん・・・。
まぁとにかく、clangを使うと自動ベクトル化できて、gccだとできないという例でした。
先日の件も考えると、特にこだわりがないならgccよりclang使ったほうが良さそうですね。