为什么OpenMP 'simd‘比’simd并行‘有更好的性能？

Question

我正在开发一个英特尔E5 (6个核心，12个线程)和英特尔编译器OpenMP 4.0。

为什么这段代码SIMD比并行SIMD快？

for (int suppv = 0; suppv < sSize; suppv++) {
  Value *gptr = &grid[gind];
  const Value * cptr = &C[cind];

  #pragma omp simd // vs. #pragma omp parallel for simd
  for (int suppu = 0; suppu < sSize; suppu++)
    gptr[suppu] += d * cptr[suppu];

  gind += gSize;
  cind += sSize;
}

有了更多的线程，它就变慢了。

编辑1：* grid是一个4096*4096矩阵，数据结构：vector<complex<double>> * C是一个2112*129*129矩阵，数据结构：vector<complex<double>> * gSize = 4096 * sSize = 129。

• 编译器标志: icpc -march=native -std=c++11 -qopt-期=vec -qopt-report=3 -O2 -openmp
• Timer:使用POSIX倍()API的返回值diff。(它确实使用挂钟进行并发，我做了检查)
• E5线程1 SIMD需要: 291.520000 (s)
• E5线程2用于-SIMD: 1039.220000 (s)
• E5线程12 for-SIMD需要: 1684.270000 (s)

Answer 1

如果sSize = 129，正如您在编辑中所做的那样，那么并行化循环的开销就不会得到回报。如果您要向我们显示顺序实现(无SIMD)和纯并行实现(即使用#pragma omp parallel for，但不使用SIMD)的数量，这将更容易确认。

可能发生的情况是，即使是纯并行版本也比顺序版本慢。不仅循环的大小减少了，因为您为最外层循环的每一次迭代启动/创建一个并行区域。

至于SIMD版本，这个问题基本上是针对这一点而量身定做的:您有一个高度可矢量化的内核，该内核太小，无法在线程之间分发。