вторая производная с использованием SSE

@Mike_Texnik · Регистрация: 25.03.2011

Студворк — интернет-сервис помощи студентам

Задача: Таблично задана функция, необходимо вычислить вторую производную методом конечных разностей.
Выбранный подход к решению: Считываем в регистры 3 массива по 4 элемента, один со сдвигом влево (копируем с i-1 элемента: строка 65), второй с нулевым сдвигом (строка 66) и третий со сдвигом вправо (копируем с i+1 элемента: строка 67). Делаем вычисления. Копируем обратно. Программа работает, но sse версия работает много медленнее чем обычное решение.
Подозреваю, что проблема в использовании _mm_set_ps для копирования в регистры (строки 65-67) и организации обратного копирования из регистров (строки 69-71).

Вопрос: Как можно оптимизировать/сделать вменяемыми операции копирования?

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
// 1st_SSE.cpp
//
 
#include <stdio.h>
#include <stdlib.h>
#include <xmmintrin.h>
#include <math.h>
#include <malloc.h>
#include <time.h>
#include <iostream>
using std::cout;
using std::cin;
using std::endl;
 
 
int main()
{
const int N=16*1024+1;
float *d2Ydx2=(float*)malloc(4*sizeof(float));
__m128 Ysse,YRsse,YMsse,YLsse;
__m128 rrs=_mm_set1_ps(-2.0f);
__m128 dX2s=_mm_set1_ps((N*N)/(6.28319f*6.28319f));
__m128 *d2Ydx2SSE=(__m128*) d2Ydx2;
float *Y1=(float*)malloc(N*sizeof(float));
float *Y=(float*)malloc(N*sizeof(float));
float *Y3=(float*)malloc(N*sizeof(float));
__m128 *Y2=(__m128*) Y;
timespec ts_beg, ts_end;
 
float rr,dX2;
const int SSEN=(N-1)/4;
 
dX2=(N*N)/(6.28319f*6.28319f);
rr=-2.0f;
//задаем исходную функцию
for (int i=0;i<=N;i++)
{
Y[i]=sin(i*(6.28319f/N));
Y3[i]=0.f;
Y1[i]=0.f;
}
 
 
 
clock_gettime(CLOCK_PROCESS_CPUTIME_ID, &ts_beg);
// решение в лоб
for (int i=1;i<=N-1;i++)
{
Y1[i]=(Y[i-1]+rr*Y[i]+Y[i+1])*dX2;
 
};
 
clock_gettime(CLOCK_PROCESS_CPUTIME_ID, &ts_end);
float time=(ts_end.tv_sec - ts_beg.tv_sec) + (ts_end.tv_nsec - ts_beg.tv_nsec)/1e9;
cout << "Time required = " << time <<endl;
 
 
clock_gettime(CLOCK_PROCESS_CPUTIME_ID, &ts_beg);
 
for (int i=1;i<=N-1;i=i+4)
{
Ysse=_mm_set1_ps(0.f);
//копируем в регистры
YLsse=_mm_set_ps(Y[i+2],Y[i+1],Y[i],Y[i-1]);
YMsse=_mm_set_ps(Y[i+3],Y[i+2],Y[i+1],Y[i]);
YRsse=_mm_set_ps(Y[i+4],Y[i+3],Y[i+2],Y[i+1]);
//вычисляем производную
Ysse=_mm_mul_ps(YMsse,rrs);
Ysse=_mm_add_ps(Ysse,YLsse);
Ysse=_mm_add_ps(Ysse,YRsse);
_mm_store_ps(d2Ydx2, _mm_mul_ps(Ysse,dX2s));
//копируем обратно
for (int j=0;j<4;j=j++)
{
Y3[i+j]=d2Ydx2[j];
}
};
 
clock_gettime(CLOCK_PROCESS_CPUTIME_ID, &ts_end);
time=(ts_end.tv_sec - ts_beg.tv_sec) + (ts_end.tv_nsec - ts_beg.tv_nsec)/1e9;
cout << "Time required = " << time <<endl;
 
for (int i=0;i<=N;i=i++)
{
if (Y1[i]!=Y3[i]) cout<<i<<"\t"<<Y1[i]<<"\t"<<Y3[i]<<endl;
 
};
free(d2Ydx2);
free(Y1);
free(Y);
free(Y3);
return 0;
}

@grgdvo · 13.10.2012, 22:53

фигню написал... удалено

@Mike_Texnik · 14.10.2012, 10:38 **[ТС]**

Как можно организовать копирование начиная с любого i-го (не кратного 4) элемента массива в регистр и наоборот? Без использования _mm_set_ps и костыля из строк 74-77.

@grgdvo · 14.10.2012, 11:31

попытка номер 2

вот код

Кликните здесь для просмотра всего текста

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
#include <stdio.h>
#include <stdlib.h>
#include <xmmintrin.h>
#include <math.h>
#include <malloc.h>
#include <time.h>
#include <iostream>
using std::cout;
using std::cin;
using std::endl;
 
 
int main(int arg, char* argv[])
{
    const int N = 16 * 1024;
    const float RR = -2.0f;
    const float DX2 = (N * N) / (6.28319f * 6.28319f);
 
    float *YL __attribute__ ((aligned(16))) = (float*)_mm_malloc(N * sizeof(float), 16);
    float *Y __attribute__ ((aligned(16))) = (float*)_mm_malloc(N * sizeof(float), 16);
    float *YR __attribute__ ((aligned(16))) = (float*)_mm_malloc(N * sizeof(float), 16);
 
    float *Y1 __attribute__ ((aligned(16))) = (float*)_mm_malloc(N * sizeof(float), 16);
    float *Y3 __attribute__ ((aligned(16))) = (float*)_mm_malloc(N * sizeof(float), 16);
 
    //задаем исходную функцию
    for (int i = 0; i < N; i++)
    {
        Y[i] = sin(i * (6.28319f / N));
        Y1[i] = 0.f;
        Y3[i] = 0.f;
    }
    for (int i = 0; i < N; i++)
    {
        if (i > 0) YL[i] = Y[i - 1]; else YL[i] = 0.f;
        if (i < (N - 1)) YR[i] = Y[i + 1]; else YR[i] = 0.f;
    }
 
    __m128 RRsse = _mm_set1_ps(RR);
    __m128 DX2sse = _mm_set1_ps(DX2);
 
    timespec ts_beg, ts_end;
 
    // решение в лоб
    clock_gettime(CLOCK_REALTIME, &ts_beg);
    for (int i = 0; i < N; i++)
    {
        Y1[i] = (YL[i] + RR * Y[i] + YR[i]) * DX2;
    }
    clock_gettime(CLOCK_REALTIME, &ts_end);
    float time = (ts_end.tv_sec - ts_beg.tv_sec) + (ts_end.tv_nsec - ts_beg.tv_nsec) / 1.0e9;
    cout << "Time required = " << time << endl;
 
    clock_gettime(CLOCK_REALTIME, &ts_beg);
    for (int i = 0; i < N; i = i + 4)
    {
        __m128 y_i = _mm_load_ps(&Y[i]);
        __m128 y_l = _mm_load_ps(&YL[i]);
        __m128 y_r = _mm_load_ps(&YR[i]);
        __m128 result = _mm_mul_ps(y_i, RRsse);
        result = _mm_add_ps(result, y_l);
        result = _mm_add_ps(result, y_r);
        result = _mm_mul_ps(result, DX2sse);
        _mm_store_ps(&Y3[i], result);
    }
    clock_gettime(CLOCK_REALTIME, &ts_end);
    time=(ts_end.tv_sec - ts_beg.tv_sec) + (ts_end.tv_nsec - ts_beg.tv_nsec) / 1.0e9;
    cout << "Time required = " << time << endl;
 
    for (int i = 0; i < N; i++)
    {
        if (Y1[i] != Y3[i])
            cout << i << ";\t" << YL[i] << ";\t" << Y[i] << ";\t" << YR[i] << ";\t" <<
              Y1[i] << ";\t" << Y3[i] << endl;
    }
 
    _mm_free(Y);
    _mm_free(Y1);
    _mm_free(Y3);
 
    return 0;
}

Вот результат (core 2 duo 2,5GHz):

Code
1
2
Time required = 3.7296e-05
Time required = 1.8439e-05

1. Чтобы пользоваться преимуществами быстрой загрузки данных, нужен load, для которого требуется 16-байтовой вырванивание; то есть каждая четверка float-ов в матрице должна лежать по адресу кратному 16.
2. N также придется сделать кратным 16, чтобы массив ровно ложился. У вас было 16*1024+1... +1 - плохо, убрал.
3. Чтобы "выравнено" положить i-1 и i+1 элементы пришлось для них завести отдельные массивы, иначе сдвиг на единицу нарушает выравнивание.

Подозреваю, что оптимизация здесь еще не закончена, будут улучшения, напишите.

@Mike_Texnik · 14.10.2012, 11:48 **[ТС]**

grgdvo, большое спасибо за развернутый ответ

на самом деле данная задачка просто кусочек основной - трехмерная задача теплопроводности, то есть в ней полный массив данных будет размером Nx*Ny*Nz, причем Nx и Ny (количество элементов сетки вдоль осей x и y) будут не всегда кратные 4 (не переклинит ли load в один момент?). Ну и их количество тоже будет не всегда маленькое, не хотелось бы память забивать еще двумя массивами (для левой и правой точки при вычислении производных), опять же пере присваивание на каждом шаге будет съедать некоторое время.

@grgdvo · 14.10.2012, 15:33

Сообщение от Mike_Texnik

не переклинит ли load в один момент?

Переклинит!

Если адрес не кратен 16, то будет segmentation fault.

Сообщение от Mike_Texnik

Ну и их количество тоже будет не всегда маленькое, не хотелось бы память забивать еще двумя массивами (для левой и правой точки при вычислении производных), опять же пере присваивание на каждом шаге будет съедать некоторое время.).

Это крест параллельных вычислений, который надо нести каждому, кто в это погрузился. Идеального решения не будет! Либо вы подбираете (подгоняете) задачу под конкретную машину и ее конкрентные особенности, либо у вас падает произвиодтельность в разы и больше. Кстати с памятью проблема не очень большая. Сейчас памяти в компьютерах достаточно, она дешевая и можно без надобности ее НЕ экономить.

Если у вас планируется размерности по координатам превышать 100 единиц и выше, то сразу переходите на MPI и другой принцип программирования. С SIMD вы не получите должного ускорения (идеальный потолок для SSE : ускорение в 4 раза).

@Mike_Texnik · 14.10.2012, 16:21 **[ТС]**

SIMD планирую использовать совместно с MPI (но для начала с OpenMP скрестить хочу), верно ли понимаю, что корректного использования SSE придется отказаться от развертывания 3D массива в 1D ? иначе при умножении на 4 (в начале считывания) будет получаться черти что?

@Kastaneda · 14.10.2012, 21:00

Для чистоты эксперемента советую разделить вычисления разными способами. И запускать тот или иной, например, в зависимости от аргумента командной строки. Т.к. есть вероятность, что при вычислении "в лоб" кэш-мисов больше, чем при дальнейшем вычислении с SSE.
Еще для замера производительности (и времени в т.ч.) могу посоветовать утилиту perf, умеет показывать много всего, в т.ч. и кэш-мисы.

@grgdvo · 15.10.2012, 15:21

Сообщение от Mike_Texnik

SIMD планирую использовать совместно с MPI (но для начала с OpenMP скрестить хочу), верно ли понимаю, что корректного использования SSE придется отказаться от развертывания 3D массива в 1D ? иначе при умножении на 4 (в начале считывания) будет получаться черти что?

Что-то вы все в кучу собрали

Не сложновато ли?

Мое мнение. От каждой технологии, использованной в программе, должен быть выхлоп. У вас газогидродинамика - сложные уравнения и большие матрицы. Честно говоря SSE не для больших матриц, да и потолок ускорения небольшой. SSE имеет смысл использовать для небольших внутренних вычислений вспомагательных величин, когда на лицо явно "векторные" вычисления (то есть однотипные операции над списком данных).

По поводу матриц: любая, даже 5555-мерная

, матрица в памяти компьютера - это одномерный вектор. Все зависит от того как вы двигаетесь по размерностям. Бывают ситуации, когда исходное представление единой трехмерной матрице (в соответствии с физической областью расчета) оказывается невыгодным. Поэтому изначально не зацикливайте себя на этом, выбирайте тот вариант представления, который будет удобен с точки зрения скорости вычислений.

@Mike_Texnik · 26.10.2012, 10:36 **[ТС]**

Относительно успешно завершились игры с SSE, ниже привожу решение задачки тепловодности для кубика с изолированными стенками. Применил OpenMP и SSE, использование SSE дало ускорение в два раза, что ожидаемо. Однако есть проблема: Visual Studio прекрасно понял OpenMP и на 2 ядрах программка пошла в 2 раза быстрее, а вот gcc нее понял шутку и программа работать даже чуть медленнее.
Опции компиляции: g++ proga.cpp -fopenmp -msse -o out.out

Программка:

Кликните здесь для просмотра всего текста

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
#include <stdio.h>
#include <malloc.h>
#include <xmmintrin.h>
#include <iostream>
#include <time.h>
#include <fstream>
#include <omp.h>
 
using namespace std;
 
const int Nx=128,Ny=128,Nz=128;
int Nth=4; // number of OpenMP threads
 
//Allocation for Visual Studio
//__declspec(align(16)) float U[Nx][Ny][Nz];
//__declspec(align(16)) float U0[Nx][Ny][Nz];
//Allocation for GCC
__attribute__((aligned(16))) float U[Nx][Ny][Nz];
__attribute__((aligned(16))) float U0[Nx][Ny][Nz];
 
 
const float alpha=0.1172f,dt=0.001f; //thermal diffusion coefficient, timestep
const float Lx=4.f,Ly=4.f,Lz=4.0f; //sizes of beam in X, Y and Z directions
const float dX=Lx/float(Nx-1),dY=Ly/float(Ny-1), dZ=Lz/float(Nz-1);
const float dX2=1.0f/(dX*dX),dY2=1.0f/(dY*dY),dZ2=1.0f/(dZ*dZ);
const float E1=1.0f/3.0f, D2=alpha*dt;
float Xi,Yj,Zk;
int k,i,j;
 
    float d2Udx2,d2Udy2,d2Udz2;
    __m128 dX2_sse = _mm_set1_ps(dX2*D2);
    __m128 dY2_sse  = _mm_set1_ps(dY2*D2);
 
    __m128 dZ2_sse  = _mm_set1_ps(dZ2*D2);
    __m128 Gam_sse  = _mm_set1_ps(1.0f-2.0f*D2*(dX2+dY2+dZ2));
 
    __m128 U_Fwd,U_Back,U_Up,U_Down,U_Left,U_Right,U_Cent;
    __m128 U_Res,U_ResTemp;
    
    __m128 E1_sse  = _mm_set1_ps(E1);
    __m128 Chet_sse  = _mm_set1_ps(4.0f);
 
    int Kmin_Weld=int(0.45f*Lz/dZ);
    int Kmax_Weld=int(0.55f*Lz/dZ);
    int Jmin_Weld=int(0.45f*Ly/dY);
    int Jmax_Weld=int(0.55f*Ly/dY);
 
int Init()
{
    for (k=0;k<Nz;k++)
    {
        Zk=dZ*((float)k);
        for (int i=0;i<Nx;i++)
        {
            Xi=dX*((float)i);
            for (int j=0;j<Ny;j++)
            {
                Yj=dY*((float)j);
                U0[i][j][k]=300.0f;
                U[i][j][k]=300.0f;
                if ((i==(Nx-10))&&(Yj>=0.45f*Ly)&&(Yj<=0.55f*Ly)&&(Zk>=0.45f*Lz)&&(Zk<=0.55f*Lz)) U0[i][j][k]=3000.0f;
            }
        }
    }
    return 0;
}
 
float Calc()
{
    
    int jYmin,jYmax,ijk,jMin,jMax;
    #pragma omp parallel private(i,j,k,U_Fwd,U_Back,U_Up,U_Down,U_Left,U_Right,U_Cent,U_Res,U_ResTemp)
    {
    #pragma omp for
    for (i=1;i<Nx-1;i++)
    {
        for (j=1;j<Ny-1;j++)
        {
            for (k=1;k<Nz-1;k=k+4)
            {
                U_Cent = _mm_loadu_ps(&U0[i][j][k]);
                U_Cent = _mm_mul_ps(U_Cent, Gam_sse );
 
                U_Back = _mm_loadu_ps(&U0[i][j][k-1]);
                U_Fwd = _mm_loadu_ps(&U0[i][j][k+1]);
                
                U_ResTemp = _mm_add_ps(U_Back , U_Fwd);
                U_Res = _mm_mul_ps(U_ResTemp, dZ2_sse );
 
                U_Left = _mm_loadu_ps(&U0[i][j-1][k]);
                U_Right = _mm_loadu_ps(&U0[i][j+1][k]);
 
                U_ResTemp = _mm_add_ps(U_Left , U_Right);
                U_ResTemp = _mm_mul_ps(U_ResTemp, dY2_sse );
                U_Res = _mm_add_ps(U_Res, U_ResTemp );
 
                U_Down = _mm_loadu_ps(&U0[i-1][j][k]);
                U_Up = _mm_loadu_ps(&U0[i+1][j][k]);
 
                U_ResTemp = _mm_add_ps(U_Down , U_Up);
                U_ResTemp = _mm_mul_ps(U_ResTemp, dX2_sse );
                U_Res = _mm_add_ps(U_Res, U_ResTemp );
                U_Res = _mm_add_ps(U_Res, U_Cent );
                _mm_storeu_ps(&U[i][j][k], U_Res);
 
                
            }
        }
    }
    }
    
    // BC on XY surfaces and set U to U0
    //begin of the second paralle section
    #pragma omp parallel private(jYmin,jYmax,i,j,k,U_Fwd,U_Back,U_Res,jMin,jMax)
    {
    #pragma omp for
    for (i=0;i<Nx;i++)
    {
        jMin=0;
        jMax=Ny;
        
        jYmin=0;
        jYmax=Ny-1;
        for (j=jMin;j<jMax;j++)
        {
            U[i][j][0]=E1*(4.0f*U[i][j][1]-U[i][j][2]);
            U[i][j][Nz-1]=E1*(4.0f*U[i][j][Nz-2]-U[i][j][Nz-3]);
            for (k=0;k<Nz;k=k+4)
            {
 
                // BC on YZ surfaces
                if (i==0)
                {
                    U_Back = _mm_load_ps(&U[1][j][k]);
                    U_Res = _mm_mul_ps(U_Back , Chet_sse);
                    U_Fwd = _mm_load_ps(&U[2][j][k]);
                    U_Res = _mm_sub_ps(U_Res, U_Fwd );
                    U_Res = _mm_mul_ps(U_Res, E1_sse );
                    _mm_store_ps(&U[0][j][k], U_Res);
                }
 
                // BC on XZ surfaces
                if (i==Nx-1)
                {
                    U_Back = _mm_load_ps(&U[Nx-2][j][k]);
                    U_Res = _mm_mul_ps(U_Back , Chet_sse);
                    U_Fwd = _mm_load_ps(&U[Nx-3][j][k]);
                    U_Res = _mm_sub_ps(U_Res, U_Fwd );
                    U_Res = _mm_mul_ps(U_Res, E1_sse );
                    _mm_store_ps(&U[Nx-1][j][k], U_Res);
                }
 
 
 
 
                if (j==jYmin)
                {
                    U_Back = _mm_load_ps(&U[i][jYmin+1][k]);
                    U_Res = _mm_mul_ps(U_Back , Chet_sse);
                    U_Fwd = _mm_load_ps(&U[i][jYmin+2][k]);
                    U_Res = _mm_sub_ps(U_Res, U_Fwd );
                    U_Res = _mm_mul_ps(U_Res, E1_sse );
                    _mm_store_ps(&U[i][jYmin][k], U_Res);
                }
 
 
                if (j==jYmax)
                {
                    U_Back = _mm_load_ps(&U[i][jYmax-1][k]);
                    U_Res = _mm_mul_ps(U_Back , Chet_sse);
                    U_Fwd = _mm_load_ps(&U[i][jYmax-2][k]);
                    U_Res = _mm_sub_ps(U_Res, U_Fwd );
                    U_Res = _mm_mul_ps(U_Res, E1_sse );
                    _mm_store_ps(&U[i][jYmax][k], U_Res);
                }
                _mm_store_ps(&U0[i][j][k], _mm_load_ps(&U[i][j][k]));
            }
        }
    }
    }
    i=Nx-10;
 
    #pragma omp parallel private(j,k)
    {
    #pragma omp for
    for (int k=Kmin_Weld;k<Kmax_Weld;k++)
    {   
 
        {
            for (j=Jmin_Weld;j<Jmax_Weld;j++)
            {
                U0[i][j][k]=3000.0;
                U[i][j][k]=3000.0;
            }
        }
    }
    }
    return 0;
}
 
 
int main()
{
    ofstream resultTemp;
    ofstream resultNyMnMx;
    ofstream resultU0;
    ofstream Info;
 
    double tstart, tstop, ttime;
    omp_set_num_threads(Nth);
    Init();
    resultU0.width(15);
    resultU0.precision(7);
    resultU0.open("U0.dat");
 
    for (k=0;k<Nz;k++)
    {   
        Zk=dZ*float(k);
 
        i=Nx-10;
        {
            Xi=dX*float(i);
            for (j=0;j<Ny;j++)
            {
                Yj=dY*float(j);
                resultU0<<fixed<<Xi<<"\t"<<Yj<<"\t"<<Zk<<"\t"<< U0[i][j][k] << endl;
            }
        }
    }
 
 
    resultU0.close();
    
 
    cout << "initialization finished" << endl;
    tstart = (double)clock()/CLOCKS_PER_SEC;
    for (int n=1;n<500;n++)
    {
        Calc();
    }
    tstop = (double)clock()/CLOCKS_PER_SEC;
    cout<<"Time required for solution is "<<tstop-tstart<<" Seconds"<<endl;
    resultU0.open("U1.dat");
    for (k=0;k<Nz;k++)
    {   
        Zk=dZ*float(k);
        //for (i=Nx-1;i<Nx;i++)
        i=Nx-10;
        {
            Xi=dX*float(i);
            for (j=0;j<Ny;j++)
            {
                Yj=dY*float(j);
                resultU0<<fixed<<Xi<<"\t"<<Yj<<"\t"<<Zk<<"\t"<< U[i][j][k] << endl;
            }
        }
    }
    resultU0.close();
    cout << "DONE!!!" << endl;
    cin>>Xi;
    return 0;
}

Вопрос: где напакостил, что gcc не хочет работать?

@grgdvo · 26.10.2012, 23:38

Может стоит еще добавить флаг оптимизации?

Code
1
g++ proga.cpp -fopenmp -msse -O3 -o out.out

"-O3" бывает вреден для математики, если увидите, что программа перестала считать верный результат, понизьте уровень до "-O2"

Новые блоги и статьи Все статьи Все блоги /
SDL3 для Desktop (MinGW): Создаём пустое окно с нуля для 2D-графики на SDL3, Си и C++ 8Observer8 10.03.2026 Содержание блога Финальные проекты на Си и на C++: hello-sdl3-c. zip hello-sdl3-cpp. zip Результат:	Установка CMake и MinGW 13.1 для сборки С и C++ приложений из консоли и из Qt Creator в EXE 8Observer8 10.03.2026 Содержание блога MinGW - это коллекция инструментов для сборки приложений в EXE. CMake - это система сборки приложений. Здесь описаны базовые шаги для старта программирования с помощью CMake и. . .	Как дизайн сайта влияет на конверсию: 7 решений, которые реально повышают заявки Neotwalker 08.03.2026 Многие до сих пор воспринимают дизайн сайта как “красивую оболочку”. На практике всё иначе: дизайн напрямую влияет на то, оставит человек заявку или уйдёт через несколько секунд. Даже если у вас. . .	Модульная разработка через nuget packages DevAlt 07.03.2026 Сложившийся в . Net-среде способ разработки чаще всего предполагает монорепозиторий в котором находятся все исходники. При создании нового решения, мы просто добавляем нужные проекты и имеем. . .
Модульный подход на примере F# DevAlt 06.03.2026 В блоге дяди Боба наткнулся на такое определение: В этой книге («Подход, основанный на вариантах использования») Ивар утверждает, что архитектура программного обеспечения — это структуры,. . .	Управление камерой с помощью скрипта OrbitControls.js на Three.js: Вращение, зум и панорамирование 8Observer8 05.03.2026 Содержание блога Финальная демка в браузере работает на Desktop и мобильных браузерах. Итоговый код: orbit-controls-threejs-js. zip. Сканируйте QR-код на мобильном. Вращайте камеру одним пальцем,. . .	SDL3 для Web (WebAssembly): Синхронизация спрайтов SDL3 и тел Box2D 8Observer8 04.03.2026 Содержание блога Финальная демка в браузере. Итоговый код: finish-sync-physics-sprites-sdl3-c. zip На первой гифке отладочные линии отключены, а на второй включены:. . .	SDL3 для Web (WebAssembly): Идентификация объектов на Box2D v3 - использование userData и событий коллизий 8Observer8 02.03.2026 Содержание блога Финальная демка в браузере. Итоговый код: finish-collision-events-sdl3-c. zip Сканируйте QR-код на мобильном и вы увидите, что появится джойстик для управления главным героем. . . .

@grgdvo 1264 / 978 / 384 Регистрация: 02.09.2012 Сообщений: 3,024
	13.10.2012, 22:53
	фигню написал... удалено 0

@Mike_Texnik 4 / 4 / 0 Регистрация: 25.03.2011 Сообщений: 28
	14.10.2012, 10:38 [ТС]
	Как можно организовать копирование начиная с любого i-го (не кратного 4) элемента массива в регистр и наоборот? Без использования _mm_set_ps и костыля из строк 74-77. 0

@Mike_Texnik 4 / 4 / 0 Регистрация: 25.03.2011 Сообщений: 28
	14.10.2012, 11:48 [ТС]
	grgdvo, большое спасибо за развернутый ответ на самом деле данная задачка просто кусочек основной - трехмерная задача теплопроводности, то есть в ней полный массив данных будет размером NxNyNz, причем Nx и Ny (количество элементов сетки вдоль осей x и y) будут не всегда кратные 4 (не переклинит ли load в один момент?). Ну и их количество тоже будет не всегда маленькое, не хотелось бы память забивать еще двумя массивами (для левой и правой точки при вычислении производных), опять же пере присваивание на каждом шаге будет съедать некоторое время. 0

@Mike_Texnik 4 / 4 / 0 Регистрация: 25.03.2011 Сообщений: 28
	14.10.2012, 16:21 [ТС]
	SIMD планирую использовать совместно с MPI (но для начала с OpenMP скрестить хочу), верно ли понимаю, что корректного использования SSE придется отказаться от развертывания 3D массива в 1D ? иначе при умножении на 4 (в начале считывания) будет получаться черти что? 0

@Kastaneda 5232 / 3205 / 362 Регистрация: 12.12.2009 Сообщений: 8,143 Записей в блоге: 2
	14.10.2012, 21:00
	Для чистоты эксперемента советую разделить вычисления разными способами. И запускать тот или иной, например, в зависимости от аргумента командной строки. Т.к. есть вероятность, что при вычислении "в лоб" кэш-мисов больше, чем при дальнейшем вычислении с SSE. Еще для замера производительности (и времени в т.ч.) могу посоветовать утилиту perf, умеет показывать много всего, в т.ч. и кэш-мисы. 0

Опции темы