GCC中的FMA3:如何启用

我有一个i5-4250U,它有AVX2和FMA3.我正在测试Linux上的GCC 4.8.1中的一些密集矩阵乘法代码.下面是我编译的三种不同方式的列表.

SSE2:     gcc matrix.cpp -o matrix_gcc -O3 -msse2 -fopenmp
AVX:      gcc matrix.cpp -o matrix_gcc -O3 -mavx  -fopenmp
AVX2+FMA: gcc matrix.cpp -o matrix_gcc -O3 -march=native -fopenmp -ffast-math

SSE2和AVX版本的性能明显不同.但是,AVX2 + FMA并不比AVX版本好.我不明白这一点.假设没有FMA,我获得了超过80%的CPU峰值触发器,但我认为我应该能够用FMA做得更好.矩阵乘法应直接受益于FMA.我基本上是在AVX中同时做八个点产品.当我检查march=native它给出:

cc -march=native -E -v - &1 | grep cc1 | grep fma 
...-march=core-avx2 -mavx -mavx2 -mfma -mno-fma4 -msse4.2 -msse4.1 ...

所以我可以看到它已启用(只是为了确保我添加-mfma但它没有区别). ffast-math应该允许宽松的浮点模型如何在SSE/AVX中使用融合乘法 - 加法(FMA)指令

编辑:

基于Mysticial的评论我继续使用_mm256_fmadd_ps,现在AVX2 + FMA版本更快. 我不确定为什么编译器不会为我这样做. 对于超过1000x1000的矩阵,我现在得到大约80 GFLOPS(没有FMA的110%的峰值触发器).如果有人不信任我的峰值翻牌计算,这就是我所做的.

peak flops (no FMA) = frequency * simd_width * ILP * cores
                    = 2.3GHZ    * 8          * 2   * 2     =  73.2 GFLOPS
peak flops (with FMA) = 2 * peak flops (no FMA)            = 146.2 GFLOPS

使用两个内核时,我的CPU处于turbo模式是2.3 GHz.因为Ivy Bridge可以同时进行一次AVX乘法和一次AVX添加(因此我已经多次展开循环以确保这一点),因此ILP为2.

我只有大约55%的峰值失误(使用FMA).我不确定为什么,但至少我现在看到的东西.

一个副作用是,当我比较一个我知道我信任的简单矩阵乘法算法时,我现在得到一个小错误.我认为这是因为FMA只有一种舍入模式,而不是通常的两种舍入模式(具有讽刺意味的是,它违反了IEEE浮点规则,即使它可能更好).

编辑:

有人需要重做 如何实现每个周期4个FLOP的理论最大值？ 但Haswell每循环做8个双浮点FLOPS.

编辑

实际上,Mysticial更新了他的项目以支持FMA3(参见上面链接中的回答).我在Windows8中使用MSVC2012运行他的代码(因为Linux版本没有使用FMA支持编译).结果如下.

Testing AVX Mul + Add:
Seconds = 22.7417
FP Ops  = 768000000000
FLOPs   = 3.37705e+010
sum = 17.8122

Testing FMA3 FMA:
Seconds = 22.1389
FP Ops  = 1536000000000
FLOPs   = 6.938e+010
sum = 333.309

FMA3的双浮点数为69.38 GFLOPS.对于单个浮点,我需要加倍它,以便138.76 SP GFLOPS.我计算我的峰值是146.2 SP GFLOPS. 这是峰值的95%! 换句话说,我应该能够相当多地改进我的GEMM代码(尽管它已经比Eigen快得多).