苹果M1和英特尔AVX512上的基准划分和Libdivide

Libdivide是Fish的库，用于通过运行时常量加快整数划分。它通过用更便宜的乘法和班次替换划分说明来工作。

Libdivide支持SIMD，最近对AVX-512和ARM NEON的支持。让我们在英特尔Xeon和Apple的M1上进行基准。

uint32_t sumq（const uint32_t * vals，size_t count，uint32_t d）{uint32_t sum = 0; for（size_t i = 0; i＆lt;计数; i ++）sum + = vals [i] / d; //这个司是瓶颈退货总和; }

此函数的执行时间由鸿沟主导。它可以用libdivide优化：

uint32_t sumq（const uint32_t * vals，size_t count，uint32_t d）{libdivide :: divider＆lt; uint32_t＆gt; div（d）; uint32_t sum = 0; for（size_t i = 0; i＆lt;计数; i ++）sum + = vals [i] / div; //更快的Libdivide Divion Return Sum; }

这通常是2-10x的速度更快，取决于D和计数。它还解锁了矢量化，以便更加加速 - 示例。

以下时间用D = 7测量上述环路（“慢速案例”）和计数= 524K。循环重复30次，保持最佳（最快）结果。 1

与硬件相比，次数是每分的纳秒和百分比改进（即UDIV指令）。较低更好。

AVX512是AVX2宽度的两倍，但仅略微更快。首先，AVX512在一次串联，一个256位通道的过程中乘以一半的并行性。

Libdivide必须使用32x32-＆gt; 64 Muls（Mul_epu32）为矢量化64位，招致4x罚款2.即使在具有4倍并行性的AVX2中也希望打破。相反，AVX2比标量快，也许是因为32位乘以比64位更快。

M1比64位划分的Xeon快10倍。它是......只是哇。

0.624纳秒的硬件分割时间是3.2 GHz的干净倍数，表明每分的2个时钟周期的吞吐量。这是显着的：硬件分隔器通常是可变的延迟，并且难以向管道，因此每分的30+时钟周期是常见的。 M1每个核心有多个整数分部单位吗？

有趣地，标量64位比标量32位更快。这是因为AARCH64具有64位高乘数（UMULH）的专用指令，而32位高乘数以64位低乘法（Umull）执行，然后进行右移。

带有U32的霓虹灯允许只有两个Umull指令（Godbolt）的四个32位高倍增。所以霓虹灯U32应该是标量的几乎是速度的两倍;事实上，它甚至更快，可能是因为有态度的固定成本（分支等）。

与U64的霓虹灯较慢，因为它的乘数不够宽，因此它会引发4X罚款2，其瘦载体仅提供2倍并行性。 （尽管如此，它仍然可能是较大序列的一部分，以将数据保持在矢量寄存器中。）

即使使用M1的快速分频器，Libdivide仍然非常有效地加快整数划分。矢量化大大改善了32位，并且是64位的混合袋，但仍然比硬件更快。

为什么AVX512只略微比AVX2略快？ umuls是每巷序列化，是它倒下吗？

Apple M1如何实现每个周期的.5划分的吞吐量？硬件分频器流水线，是否有超过每个核心？

使用Libdivide的基准工具收集结果。你可以自己运行：

git clone https://github.com/ridiculicfish/libdivide.gitmkdir libdivide / build＆amp;＆amp; CD Libdivide / BuildcMake ..＆amp;制作基准./Benchmark U32＃或U64或S32或S64

7是libdivide的“慢速案例”，因为7的魔号必须是33或65位，因此不能符合寄存器。这和libdivide得到的缓慢。 ↩

要划分64位数，LibDivide需要64位产品的高半，所谓的高乘法。 不幸的是，SIMD硬件通常具有53位倍增器：对于双精度浮点，足够大，对Libdivide不够大。 因此，Libdivide必须将64位高乘以四个32x32-＆gt; 64乘以。 这会在SIMD中遭受64位矢量化分区的4个惩罚。 ↩↩2