HPC Phys-20201203

expの実装に見る
AVX-512とSVEの違い
2020/12/3
第9回HPC-Phys勉強会
光成滋生

• expの近似計算
• AVX-512による実装
• SVEによる実装
• レジスタリネーミング
• SVEのfexpaを使った近似計算
• 実装
• 逆数近似命令
目次
2 / 27

• 級数展開を使う
• 𝑒 𝑥 = 1 + 𝑥 +
𝑥2
2
+
𝑥3
6
+ ⋯
• 要請
• 級数展開における𝑥は小さいのが望ましい
• 2 𝑛（𝑛が整数）は高速に求められる
• 式変形
• 𝑒 𝑥
= 2 𝑥 log2 𝑒
• 𝑦 ≔ 𝑥 log2 𝑒 を整数部分𝑛と小数部分𝑎に分ける（ 𝑎 ≤ 1/2）
• 𝑦 = 𝑛 + 𝑎
• 𝑒 𝑥 = 2 𝑦 = 2 𝑛+𝑎 = 2 𝑛2 𝑎
• 2 𝑎 = 𝑒 𝑎 log(2)
• 𝑏 ≔ 𝑎 log(2), 𝑏 ≤ log 2 /2 = 0.346
exp(float x);の近似計算（1/3）
3 / 27

• floatなら1e-6程度まで求まれば十分
• 5次の項まで計算
• 𝑒 𝑥
= 1 + 𝑥 +
𝑥2
2
+
𝑥3
6
+
𝑥4
24
+
𝑥5
120
• 係数補正
• 𝑓 𝑥 ≔ 1 + 𝑥 + 𝐵𝑥 + 𝐶𝑥2 + 𝐷𝑥3 + 𝐸𝑥4 + 𝐹𝑥5
• 𝑥 ∈ [−𝐿, 𝐿] where 𝐿 ≔ log(2)/2
• 𝐼 ≔ ‫׬‬−𝐿
𝐿
𝑓 𝑥 − 𝑒 𝑥 2 𝑑𝑥を最小化する(𝐵, 𝐶, 𝐷, 𝐸, 𝐹)を求める
• 1次の項(𝐴)を1に固定しているのは0次と共用したいから
• 誤差が概ね半分程度になる
• Sollyaのremezよりは誤差が小さい?
• L2ノルムとL1ノルムどちらがよいかアプリ依存?
4 / 27

• まとめ
• 配列に対する一括処理
• テーブルを使わないためSIMD化しやすい
input : x
x = x * log_2(e)
n = round(x) ; 四捨五入
a = x - n
b = a * log(2)
c = 1 + b(1 + b(B + b(C + b(D + E b))))
y = c * 2^n
output : y
void expv(float *dst, const float *src, size_t n) {
for (size_t i = 0; i < n; i++) dst[i] = exp(src[i]);
}
5 / 27

• Intelの512bit幅のSIMD命令セット
• 32個の512bit AVXレジスタ
• double x 8, float x 16, int32 x 16, int16 x 32, int8 x 64などの型
• 概ね3オペランド
• op(r1, r2, r3) ; r1 = r2 op r3
• d ; 32-bit int, ps ; float, pd ; double
• 積和演算FMA
• d = a * b + cが望ましいが4オペランドになるので
AVX-512
paddd zmm0, zmm1, zmm2 // zmm0 = zmm1 + zmm2 as 32-bit int
addps zmm0, zmm1, zmm2 // as float
addpd zmm0, zmm1, zmm2 // as double
vfmadd132ps r1, r2, r3 // r1 = r1 * r3 + r2
6 / 27

• C++でCPUのニーモニックを記述
• 実行時にそれに対応する機械語が生成されて実行する
• 例 : 「整数nを足す関数」を生成する関数
• genAdd(5); // 「5を足す関数」が実行時に生成される
• 生成された関数
• exp自体は静的な関数でよいがIntel oneDNNではパーツの一つ
として実行時生成されている
Xbyak/Xbyak_aarch64
struct Code : Xbyak::CodeGenerator {
void genAdd(int n) {
// rsiはLinuxでの関数の第一引数
lea(rax, ptr[rsi + n]);
ret();
} };
lea rax, [rsi + 5] // + 5は即値
ret
7 / 27

• round関数
• vrndscaleps(dst, src, round_ctl)
• round_ctl ; 2bitフラグ
• 00 ; nearest even ; 一番近い偶数丸め
• 01 ; equal or smaller ; 切り捨て
• 10 ; equal or larger ; 切り上げ
• 11 ; truncate ; 0方向に切り捨て
• vrndscaleps(dst, src, 0) ; dst = round(src);
• c = 1 + b(1 + b(B + b(C + b(D + E b))))
• FMAを5回適用
• 𝑦 = 𝑐 × 2 𝑛の部分
• AVX2までは整数𝑛をビットシフトしてfloatに変換して...
• AVX-512ではvscalefps(dst, r1, r2) // dst = r1 * 2^r2
AVX-512によるexp
8 / 27

• 準備
• 下記変数はzmmレジスタのエリアス名
• log2_e, log2, one, B, C, D, Eは事前に定数設定
• t1, t2は一時レジスタ, xが入出力（x = exp(x)）
exp一つ分
genExpOne() {
vmulps(x, log2_e); // x *= log2_e
vrndscaleps(t1, x, 0); // t1 = round(x)
vsubps(x, t1); // x = x - t1 ; 小数部分a
vmulps(x, log2); // a * log2
vmovaps(t2, E);
vfmadd213ps(t2, x, D);
vfmadd213ps(t2, x, C);
vfmadd213ps(t2, x, B);
vfmadd213ps(t2, x, one);
vfmadd213ps(t2, x, one); // t2 = 1+b(1+b(B+b(C+b(D+E b))))
vscalefps(x, t2, t1); // x = t2 * 2^t1
}
9 / 27

• ループnが16の倍数でないときの扱い
• マスクレジスタk1, ..., k7
• zmmレジスタのkに対応するbitが1なら処理, 0なら非処理
• T_zを指定すると非処理の部分に0が入る
• vmovups(zm0|k1|T_z, ptr[src]);
• readしない部分はメモリアクセスしない(アクセス違反しない)
• マスクレジスタを指定しないときに比べてやや遅い
• 16の倍数のときは指定しない方がよい
端数処理(1/2)
k1 = 0b00..01111111 (8bitの1)のとき
src | 0| 1| 2| 3| 4| 5| 6| 7| 8| 9| a| b| ...
|← readしない →
zm0 | x0| x1| x2| x3| x4| x5| x6| x7| 0| | 0| 0|...
10 / 27

• コア部分
端数処理(2/2)
Label lp = L(); // メインループ
vmovups(zm0, ptr[src]); // zm0 = *src
add(src, 64); // src += 64
genExpOne() // zm0 = exp(zm0)
vmovups(ptr[dst], zm0); // *dst = zm0
add(dst, 64); // dst += 64
sub(n, 16); // n -= 16
jnz(lp); // if (n != 0) goto lp
L(mod16); // 端数処理
and_(ecx, 15); // n &= 15
jz(exit);
mov(eax, 1);
shl(eax, cl); // eax = 1 << n
sub(eax, 1); // eax = (1 << n) - 1
kmovd(k1, eax); // k1 = nビットの1
vmovups(zm0|k1|T_z, ptr[src]); // 残り読み
genExpOne() // zm0 = exp(zm0)
vmovups(ptr[dst]|k1, zm0|k1); // 残り書き
L(exit);
11 / 27

• float x[16384];に対するstd::exp(float)との比較(clk)
• Xeon Platinum 8280 2.7GHz, g++ 9.3.0 Ubuntu 20.04.1 LTS
• genOneExpをループアンロール
• fmath::exp 8.7clk→7.2clk
• https://github.com/herumi/fmath/blob/master/fmath2.hpp
ベンチマーク
std::exp fmath::exp
140.1 8.7
genExpTwo() {
vmulps(x0, log2_e);
vmulps(x3, log2_e);
vrndscaleps(t1, x0, 0);
vrndscaleps(t4, x1, 0);
vsubps(x0, t1);
vsubps(x3, t4);
...
12 / 27

• Armの可変長SIMD命令セット
• 128～1024(?)bitレジスタ
• double x 8, float x 16, int32 x 16, int16 x 32, int8 x 64などの型
• 概ね3オペランド
• A64FX（富岳のCPU）では32個の512bitレジスタz0, ..., z31
• movprfx（dstをsrcとして利用）
• predは述語レジスタ
• マスクレジスタ相当
• AVX-512と異なり常に指定
SVE
fadd z0.s, z1.s, z2.s // as float
add z0.b, z1.b, z2.b // as int8
movprfx(dst, pred, r1);
fmadd(dst, pred, r2, r3); // dst = r1 * r2 + r3
13 / 27

• SVEレジスタの各要素を処理する(1)か否(0)かを指定
• 例 ld1w(z.s, p/T_z, ptr(src));
• z = *src; // float x 16個読み込み
• i番目の各要素(i = 0, ..., 15)について
• 述語レジスタp[i] = 1ならz[i] = src1[i]
• p[i] = 0ならT_z(zero)を指定しているのでz[i] = 0
• T_zを指定しなければp[i]の値を変更しない
述語レジスタ
src x0 x1 x2 x3...
z.s x0 0 x2 x3...
p 1 0 1 1
14 / 27

• 「x4 + i < n」が成り立つ添え字までp[i] = 1にする
• 例 x4 + 16 <= nならi = 0, ..., 15についてp[i] = 1
• 全てのデータが有効
• x4 + 3 = nならi ≦ 2についてp[i] = 1, その他p[i] = 0
• p[i] = 0の部分はデータを読まない・書かない
• 読み書き属性が無い領域でも大丈夫
whilelt(p.s, x4, n);
i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
15 / 27

• メイン部分
• x4 + 16 ≦ nである限りp0[i] = 1 for i = 0, ..., 15
• ループの最終ではp0[i] = 1 for i <(n % 16), p0[i] = 0(otherwise)
• メリット
• SVEが256bitや1024bitでも同じコードで動く
• SVEはScalable Vector Extensionの略
• デメリット
• あまり速くない ; 結局AVX-512のように分けた方がよい
ループの終わり処理
Label lp = L();
ld1w(z0.s, p0/T_z, ptr(src1, x4, LSL, 2));// z0 = src1[x4 << 2]
...
incd(x4); // x4 += 16
L(cond);
whilelt(p0.s, x4, n); // while (x4 < n)なら
b_first(lp); // lpラベルにジャンプ
16 / 27

• AVX-512とほぼ同じ
• 述語レジスタpはall 1に設定
• round関数はfrintn
• fscale(x, p, n)のnがfloatではなくintなのでfcvtzsでintに変換
sveによるgenExpOne
fmul(tz0, tz0, log2_e);
frintn(tz2, p, tz0); // round : float -> float
fcvtzs(tz1, p, tz2); // float -> int
fsub(tz2, tz0, tz2);
fmul(tz2, tz2, log2);
movprfx(tz0, p, E);
fmad(tz0, p, tz2, D); // tz0 = tz2 * E + D
fmad(tz0, p, tz2, C);
fmad(tz0, p, tz2, B);
fmad(tz0, p, tz2, one);
fmad(tz0, p, tz2, one);
fscale(tz0, p, tz1); // tz0 *= 2^tz1
17 / 27

• frintnなどの命令のあとの依存関係
• レジスタ名を入れ換えると2倍速くなるケース(74→32nsec)
• https://github.com/herumi/misc/commit/0362d5647f693be66
da841eea7ca333d0f5b5329
レジスタリネーミングが苦手?
18 / 27

• 利用レジスタを増やしてループ展開
ループアンロール
// n = 1 or 2 or 3
for (int i = 0;i<n;i++) fmul(t[0+i*3], t[0+i*3], log2_e);
for (int i = 0;i<n;i++) frintn(t[2+i*3], p, t[0+i*3]);
for (int i = 0;i<n;i++) fcvtzs(t[1+i*3], p, t[2+i*3]);
for (int i = 0;i<n;i++) fsub(t[2+i*3], t[0+i*3], t[2+i*3]);
for (int i = 0;i<n;i++) fmul(t[2+i*3], t[2+i*3], log2);
for (int i = 0;i<n;i++) {
movprfx(t[0+i*3], p, E);
fmad(t[0+i*3], p, t[2+i*3], D);
}
for (int i = 0;i<n;i++) fmad(t[0+i*3], p, t[2+i*3], C);
for (int i = 0;i<n;i++) fmad(t[0+i*3], p, t[2+i*3], B);
for (int i = 0;i<n;i++) fmad(t[0+i*3], p, t[2+i*3], one);
for (int i = 0;i<n;i++) fmad(t[0+i*3], p, t[2+i*3], one);
for (int i = 0;i<n;i++) fscale(t[0+i*3], p, t[1+i*3]);
19 / 27

• float x[16384];に対するstd::exp(float)との比較(nsec)
• FX700
• A64FXはXeonに比べてレイテンシが大きい
• https://github.com/fujitsu/A64FX
• frintn, fmul, fadd; 9clk
• fdiv, 98clk
• ループアンロールの効果が大きい
ベンチマーク
std::exp fmath::exp, N=1 N=2 N=3
217.3 19.0 11.8 8.4
20 / 27

• pow(2, i/64) (i=0,...,63)のテーブル引き命令
• floatのbit表現
• u=|s:1|e:8|f:23|, 𝑓 = −1 𝑠
2 𝑒−127
(1 +
𝑓
224), e:指数部, f:仮数部
• tbl[i] := 「pow(2, i/64)」の下位23bit
• 𝑥 = 2
𝑖
64 for 𝑖 = 0, … , 63は1 ≤ 𝑥 < 2なので常にx.e=127
• fexp(x)の挙動
SVEのfexpa
x.s x.e x.f
v=6bity=8bit
tbl[]
tbl[v]y=8bit0
21 / 27

• 2ベキの近似なのでそれにもっていく
• exp 𝑥 = 2 𝑥 log2 𝑒
= 2 𝑦
where 𝑦 ≔ 𝑥 log2 𝑒
• 𝑦 = 𝑛 + 𝑎 where 𝑛 ≔ floor(𝑦), 𝑎 ≔ 𝑛 − 𝑦, 0 ≤ 𝑎 < 1
• fexpaの添え字vが2ベキになるには[1, 2)にある必要性
• 𝑏 ≔ 1 + 𝑎とすると1 ≤ 𝑏 < 2, 𝑦 = 𝑛 − 1 + 𝑏
• 𝑏.f上位6bit vを取り出して使う c = fexpa(b.f >> 17)
• 𝑏 = 𝑏. f/224=v /26 + w/224, 𝑧 ≔ w/224
• 2 𝑏 =fexpa(v)⋅ 2 𝑧, 2 𝑧 = 𝑒log 2 𝑧 = 1 + log 2 𝑧 + log 2 𝑧 2/2
• 差分が小さいので2次の項まででよい
• https://github.com/herumi/misc/blob/master/sve/fmath-sve.hpp
fexpaの使い方
𝑏.f
v=6bit w=17bit
22 / 27

• 主要コード概要
fexpaによるexp
fmul(t0, t0, para.log2_e);
frintm(t1, p, t0); // floor : float -> float
fcvtzs(t2, p, t1); // n = float -> int
fsub(t1, t0, t1); // a
fadd(t1, t1, one); // b = 1 + a
lsr(t3, t1, 17); // v = b >> 17
fexpa(t3, t3); // c = fexpa(v)
fscale(t3, p, t2); // t3 *= 2^n
and_(t2.d, t1.d, not_mask17.d);
fsub(t2, t1, t2); // z
movprfx(t0, p, coeff2);
fmad(t0, p, t2, coeff1);
fmad(t0, p, t2, one); // 1 + log2 z + (log2)^2/2 z^2
fmul(t0, t3, t0);
23 / 27

• float x[16384];に対するstd::exp(float)との比較(nsec)
• ()内はfxpaを使わないバージョン
• 気持ち速いかも?
• 定数レジスタの個数 7 vs 5
• 中間レジスタの個数 3 vs 4
• 雑感
• 最初の方法に比べてレジスタの依存関係が複雑になる
• 定数レジスタが少ないのはよいがそこまでのメリットが
• もう少し精度があれば
• うまく速くなるレジスタ割り当てに試行錯誤（全数探索?）
ベンチマーク
std::exp N=1 N=2 N=3
217.3 18.2
(19.0)
11.3
(11.8)
8.4
(8.4)
24 / 27

• fdivの代わりに逆数近似命令(rcp)のあと補正する
• AVX-512
• SVE ; frecps(dst, src1, src2) ; // dst = 2 - src1 * src2
• 2回補正するとfloatに近い精度
逆数近似計算
t = rcp(x)
1/x = 2 * t - x t^2
// x : input/output
// t : temporary
// two : 2.0f
vrcp14ps(t, x);
vfnmadd213ps(x, t, two); // x = -xt + 2
vmulps(x, x, t);
25 / 27

• frintmあるいはaddの後のz0の逆数処理
• https://github.com/herumi/misc/blob/master/sve/inv.cpp
• ○で囲った部分が変?
• レジスタリネーミング?
逆数近似計算
// input : z0 (compute it with z0, z1, z2)
1. fdivr(z0.s, p0, one.s);
2. frecpe(z1.s, z0.s); frecps(z2.s, z0.s, z1.s);
fmul(z0.s, z1.s, z2.s);
frecps(z2.s, z0.s, z1.s); fmul(z0.s, z1.s, z2.s);
frecps(z3.s, z0.s, z1.s); fmul(z0.s, z1.s, z3.s);
clk
frintm add
100 100
33 7.9
10.9 7.9
51 11.0
11.2 11.0
26 / 27

• AVX-512とSVE(A64FX)
• どちらも512-bitレジスタx32
• SVEの方がレイテンシが大きい
• ループアンロール重要
• レジスタリネーミングに気をつける場合がある?
まとめ
27 / 27

HPC Phys-20201203

More Related Content

HPC Phys-20201203