一つの値を読んで計算を増やす
この実験ではfloat配列の各値を一度レジスタへ読み、x=0.5x+0.25をq回行ってから戻します。qを1と16へ変え、読書きする要素数を保ったまま、名目の演算量を変えます。前提はRooflineのガイドです。計算を足すことで同じ業務を速くした実験ではありません。転送あたりの仕事を変えたとき、時間と名目の強度をどう記録するかを学びます。意味のない演算でGFLOP/sだけを大きく見せることと、必要な処理の改善を分けてください。
入力は全て0.5です。この値は更新後も0.5で、各要素を直接照合できます。定数の結果が出ることと、計算がバイナリへ残ることは別なので、後で逆アセンブルも確認します。ループ関数は配列の値を引数のポインタから読み、qも受け取ります。コンパイラがその仕事をどのように実装したかを残すことが条件です。浮動小数点の融合積和や再結合を許した別設定へ変えるなら、演算数と数値の契約も同じままと仮定しないでください。
演算数と名目バイトを先に計算する
一回の更新を乗算1、加算1と数えるので、各要素の演算数は2qです。floatの読取り4バイトと書込み4バイトを名目の8バイトとすると、強度は2q/8=q/4 FLOP/Bになります。q=1なら0.25、q=16なら4です。n要素では総演算数が2qn、有用な読書きが8nバイトです。この値はソースの仕様から計算したもので、メモリコントローラで測った実転送ではありません。書込みのための取得やキャッシュの再利用は別に扱います。
今回の設定では-ffp-contract=offを使い、融合積和で一命令になったかどうかが数え方を曖昧にしないようにします。それでも、一命令とFLOPの数は同じ概念ではありません。融合積和を許す場合も、通常は乗算と加算の2 FLOPと数える規約を明記できます。重要なのは規約を全ての条件で揃えることです。qを16へ増やせば各要素の依存鎖も長くなります。強度だけが変わり、全ての実行条件が同じという主張にはしません。
二つのサイズと二つのqを走らせる
コードをintensity.cへ保存し、gcc -O2 -std=c11 -fno-ipa-pure-const -ffp-contract=off intensity.c -o intensityで作り、./intensityを実行します。領域は8192要素の32 KiBと、16,777,216要素の64 MiBです。各サイズでq=1と16を9回ずつ測ります。配列を0.5へ戻す時間、全要素の照合、合計、printfは区間外です。出力の長さ、q、反復、ナノ秒、チェックサムをCSVへ保存します。実行に使ったコンパイラはGCC 13.3です。
大きい配列では準備の書込み自体が次の呼出しの状態へ影響します。小さい配列も含め、全階層を空にして開始したとは扱いません。サイズと反復を明記した準備後の測定です。交互にqを先へ回し、順番が片側だけへ偏るのを抑えます。環境の変動を完全に消す操作ではないので、全標本を残します。nを増やすとq=16の実行時間も増えるため、確保量だけでなく仕事量を見積もってから追加のサイズを試してください。
#define _POSIX_C_SOURCE 200809L
#include <assert.h>
#include <stdint.h>
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
static volatile uint64_t sink;
static uint64_t ns(void) { struct timespec t; assert(!clock_gettime(CLOCK_MONOTONIC,&t)); return (uint64_t)t.tv_sec*1000000000u+t.tv_nsec; }
__attribute__((noinline)) static void kernel(float *a,size_t n,int rounds) {
for(size_t i=0;i<n;i++){float x=a[i];for(int j=0;j<rounds;j++)x=x*0.5f+0.25f;a[i]=x;}
}
int main(void) {
size_t sizes[]={8192,16777216};int rounds[]={1,16};
for(int z=0;z<2;z++){size_t n=sizes[z];float *a=malloc(n*sizeof(*a));assert(a);
for(int r=0;r<9;r++)for(int k=0;k<2;k++){int q=rounds[(r+k)%2];for(size_t i=0;i<n;i++)a[i]=0.5f;
uint64_t start=ns();kernel(a,n,q);uint64_t elapsed=ns()-start;uint64_t sum=0;
for(size_t i=0;i<n;i++){assert(a[i]==0.5f);sum+=(uint64_t)(a[i]*2);}sink=sum;printf("%zu,%d,%d,%llu,%llu\n",n,q,r,(unsigned long long)elapsed,(unsigned long long)sum);
}free(a);
}return 0;
}
結果と実際の計算を両方確認する
正常なら全ての出力が0.5で、チェックサムはnです。q=1でも16でも正しいことをassertします。さらにobjdump -d intensityでkernelの実体を開き、入力からのロード、内側の乗算と加算、繰り返し、最後のストアを探します。今回のビルドで反復が残ることを確認する対象です。関数名にconstpropなどが付いた場合は呼出し先を追い、元の名前がないだけで仕事が消えたとは判断しません。逆に結果が正しいだけで計算の存続を証明したとも扱いません。
入力を変えた追加試験では、高精度の参照か同じ順序の参照を使って期待値を作ります。現在の0.5という固定点の試験は全入力の精度を評価していません。小さい値やNaNを加えるなら、比較方法も仕様に合わせます。特にNaNは通常の等値比較で自分自身と一致しないので、assertの失敗を直ちにコンパイラの誤りとはしません。演算の意味、入力、出力の判定が揃っていることを確認してから時間を読みます。
名目の性能を実帯域へ読み替えない
総演算数2qnを秒単位の時間で割れば、定めた数え方のFLOP/sを出せます。名目の8nバイトを同じ時間で割った値も出せますが、DRAM帯域の実測値とは呼びません。小さい入力の繰り返しではキャッシュから供給される部分が増え得ます。大きい配列でも実際の転送はPMUなどの別観測が必要です。今回の仮想CPUの証跡はPMUを取得していないので、名目の強度と実際のDRAM強度を別欄のままにします。
qが16になってGFLOP/sが高く出ても、同じ業務が速くなったとは言えません。仕事量が16倍だからです。総時間、1要素あたりの時間、名目の演算率を並べ、どの問いの数字かを説明します。Rooflineの200 GFLOP/sと50 GB/sは説明用なので、この標本の実機上限として重ねません。実機の上限を使う追加分析なら、精度、スレッド数、CPU、配置、ISAを揃えて校正します。模型と実測の境界を維持することが、数値を増やすより有用です。
演算数と命令数を数え分ける
q=16は要素ごとに32 FLOPと数えますが、32本の機械命令になるという保証ではありません。ロード、ストア、分岐も命令ですし、変換で複数要素をまとめる場合もあります。性能率の分子には宣言したFLOPの数え方を使い、逆アセンブルの命令数やPMUのretired instructionsとは別の欄へ保存します。
qを変える計算課題と解答
課題はq=8、n=1000なら名目の演算数、バイト数、強度がいくつかです。解答は16,000 FLOP、8000バイト、2 FLOP/Bです。qを倍にしても読書きする要素の数は変えていません。次にq=0へ変えると、元の値をそのまま戻す処理になり、コンパイラが不要な読書きを消せる場合があります。そのケースを、元のメモリ転送の基準としてそのまま使うのは危険です。何を実行したかを逆アセンブルで確認します。
追加課題は、同じ仕事の高速化を評価するなら何を固定するかです。解答では、必要な演算の意味と入力、出力の精度条件を固定し、変更前後の総時間を比べると説明します。強度を増やすだけでは十分ではありません。終わったらCSV、コード、バイナリ、診断を整理します。領域は各サイズの測定後にfreeで解放します。外部接続や常駐サービスはありません。次の測定方法の実験では、初回と繰り返しの扱いをさらに詳しく確認します。