問題タブ [simd]

ログ機能のオープンソース（ライセンスの制限なし）の実装が必要です。

Intel Short Vector Math Library（ICCの一部）で利用できますが、ICCは無料でもオープンソースでもありません。組み込み関数のみを使用した実装を探しています。

特別な有理関数近似を使用する必要があります。cmathログとほぼ同じくらい正確なもの、たとえば10進数の9〜10桁が必要ですが、より高速です。

上記のコードは私のプログラムで何度も呼び出されます (プロファイラーは 98% を示します)。

編集: 内側のループでは、同じ (i + k) 値に対して res1[i + k] 値が何度も読み込まれます。while ループ内でこれを試してみました。すべての res1 値を simd レジスタ (配列) にロードし、最も内側の for ループ内で配列要素を使用して配列要素を更新しました。両方の for ループが完了したら、配列の値を res1、re2 に保存しました。しかし、これにより計算時間が増加します。私がどこで間違ったのか分かりますか？その考えは正しかったようです

より速くするための提案は大歓迎です。

私は顔検出に取り組んでおり、入力を .bmp ファイルとして受け取り、顔を検出し、顔に長方形を描画しています。

しかし、「cvDetect」という関数を追加して顔を検出すると、次のコード行でセグメンテーション違反が発生します-

デバッグ中に、これらの関数が原因でメモリ アラインメントの問題があることがわかりました。誰でもこの問題の解決を手伝ってもらえますか? コードは C++ で書かれており、私は Linux を使用しています。

配列があるとします：

そして要素

16 バイトを含む、

__m128i新しい要素を効率よく埋めたい

の値にarr応じて の値を使用しますx。次のようになります。

これを達成するためのコマンドは、基本的に、連続していないメモリ位置のセットからレジスタをロードすることです。そのようなコマンドのドキュメントを見たという痛ましいほど漠然とした記憶がありますが、今は見つかりません。それは存在しますか？よろしくお願いします。

配列のように、mmxレジスタの1バイトにアクセスすることは可能ですか？私はこのコードを持っています：

mm1 [1]、mm1 [2]、mm1 [3]....をc++変数に入れたいのですが、次のようになります。

ありがとう。

次のようなコードが表示されます。

このコードは正常にビルドされ、gcc を使用して期待どおりに動作します (これは組み込みの SSE / MMX 拡張機能とベクトル データ型です。このコードは、4 つの単一浮動小数点数を使用して SIMD ベクトル加算を行っています。

このtypedef行の各キーワード/関数呼び出しが何を意味し、何をするのかを詳細に理解したい:

vector_size() 関数の戻り値は何ですか。

何の__attribute__ためのキーワードか

vfsf 型に型定義されている float データ型は次のとおりです。

残りの部分は理解しています。

ありがとう、

-広告

Greetings. I'm trying to approximate the function

Log10[x^k0 + k1], where .21 < k0 < 21, 0 < k1 < ~2000, and x is integer < 2^14.

k0 & k1 are constant. For practical purposes, you can assume k0 = 2.12, k1 = 2660. The desired accuracy is 5*10^-4 relative error.

This function is virtually identical to Log[x], except near 0, where it differs a lot.

I already have came up with a SIMD implementation that is ~1.15x faster than a simple lookup table, but would like to improve it if possible, which I think is very hard due to lack of efficient instructions.

My SIMD implementation uses 16bit fixed point arithmetic to evaluate a 3rd degree polynomial (I use least squares fit). The polynomial uses different coefficients for different input ranges. There are 8 ranges, and range i spans (64)2^i to (64)2^(i + 1). The rational behind this is the derivatives of Log[x] drop rapidly with x, meaning a polynomial will fit it more accurately since polynomials are an exact fit for functions that have a derivative of 0 beyond a certain order.

SIMD table lookups are done very efficiently with a single _mm_shuffle_epi8(). I use SSE's float to int conversion to get the exponent and significand used for the fixed point approximation. I also software pipelined the loop to get ~1.25x speedup, so further code optimizations are probably unlikely.

What I'm asking is if there's a more efficient approximation at a higher level? For example:

1. Can this function be decomposed into functions with a limited domain like log2((2^x) * significand) = x + log2(significand)

hence eliminating the need to deal with different ranges (table lookups). The main problem I think is adding the k1 term kills all those nice log properties that we know and love, making it not possible. Or is it?

1. Iterative method? don't think so because the Newton method for log[x] is already a complicated expression

2. Exploiting locality of neighboring pixels? - if the range of the 8 inputs fall in the same approximation range, then I can look up a single coefficient, instead of looking up separate coefficients for each element. Thus, I can use this as a fast common case, and use a slower, general code path when it isn't. But for my data, the range needs to be ~2000 before this property hold 70% of the time, which doesn't seem to make this method competitive.

Please, give me some opinion, especially if you're an applied mathematician, even if you say it can't be done. Thanks.

私は大学で、医療用の画像再構成アルゴリズムに関連する研究を行っています。

次のコードのパフォーマンスを改善する必要があります。

知りたい人のために、コードは MLEM 転送関数を実装し、すべての変数は FLOATです。

いくつかのテストの後、大きな遅延がコードのこの部分にあることに気付きました。（ご存知のように、90 - 10 ルール）。

その後、Papi (http://cl.cs.utk.edu/papi/) を使用して L1D キャッシュ ミスを測定しました。私が思ったように、Papi は、特に b ベクトル (サイズが大きい) へのランダム アクセスの場合に、ミスの量が多いためにパフォーマンスが低下することを確認しています。

インターネットで情報を読む これまでのところ、パフォーマンスを改善するための 2 つのオプションを知っているだけです。データの局所性を改善するか、データ汚染を減らすことです。

最初の改善を行うために、すべてのプログラマーがメモリについて知っておくべきこと(www.akkadia.org/drepper/cpumemory.pdf) A. 1 行列の乗算。

SpMV (sparse matrix-vector Multiplication) をブロックすると、パフォーマンスが向上すると思います。

一方、プログラムが b ベクトルにアクセスしようとするたびに、いわゆるキャッシュ汚染が発生しました。

キャッシュを使用せずに SIMD 命令で b ベクトルから値をロードする方法はありますか?

また、 void _mm_stream_ps(float * p , __m128 a ) のような関数を使用して、キャッシュを汚染することなく、ベクトル b に 1 つの float 値を格納することは可能ですか?

_mm_stream_ps は常に 4 つの float を格納するため使用できませんが、b ベクトルへのアクセスは明らかにランダムです。

私のジレンマを明確にしたいと思います。

詳細: v は、CRS 形式のスパース マトリックス ストアの列値です。CRS 形式を別の形式に変更しようとすると、別の最適化を実行できることはわかっていますが、前に述べたように、数か月にわたっていくつかのテストを行った結果、パフォーマンスの低下はベクター b のランダム アクセスに関連していることがわかっています。from 400.000.000 L1D Misses ベクトル b に格納しない場合、100~ Misses に進むことができます。

ありがとう。

SSE(2) 組み込み関数を使用した手動最適化の恩恵を受けるアルゴリズムがあります。さらに、このアルゴリズムは、将来的に 256 ビット AVX レジスターの恩恵を受けることもできます。

私の質問は、最善の方法は何ですか

• コンパイル時にクラスの可用性バリアントを登録します。したがって、私のクラスがたとえば:でFooある場合、どのクラスがコンパイルされているかを実行時に決定する手段が必要です。FooSSE2FooAVX
• 現在の CPU の機能を確認します。最低レベルでは、これはcpuid呼び出しになります。
• 何がコンパイルされ、何がサポートされているかに基づいて、実行時に何を使用するかを決定します。

上記のほとんどをハッキングできますが、いくつかのベストプラクティスが出現したに違いないほど一般的な問題のようです. #ifdef理想的には、私は混乱を避けようとしています

parallel_forにSSE2組み込みを使用するのは良い考えですか？

SSE2レジスタの数が限られているので、パフォーマンスの面でペナルティが発生しますか？

各CPUダイには独自のSSE2レジスタがありますか？