次の単純なループについて考えてみます。
float f(float x[]) {
float p = 1.0;
for (int i = 0; i < 959; i++)
p += 1;
return p;
}
gcc 7(スナップショット)またはclang(トランク)でコンパイルすると、-march=core-avx2 -Ofast
非常によく似たものになります。
.LCPI0_0:
.long 1148190720 # float 960
f: # @f
vmovss xmm0, dword ptr [rip + .LCPI0_0] # xmm0 = mem[0],zero,zero,zero
ret
つまり、ループせずに答えを960に設定するだけです。
ただし、コードを次のように変更した場合:
float f(float x[]) {
float p = 1.0;
for (int i = 0; i < 960; i++)
p += 1;
return p;
}
生成されたアセンブリは実際にループ合計を実行しますか?たとえば、clangは次のようになります。
.LCPI0_0:
.long 1065353216 # float 1
.LCPI0_1:
.long 1086324736 # float 6
f: # @f
vmovss xmm0, dword ptr [rip + .LCPI0_0] # xmm0 = mem[0],zero,zero,zero
vxorps ymm1, ymm1, ymm1
mov eax, 960
vbroadcastss ymm2, dword ptr [rip + .LCPI0_1]
vxorps ymm3, ymm3, ymm3
vxorps ymm4, ymm4, ymm4
.LBB0_1: # =>This Inner Loop Header: Depth=1
vaddps ymm0, ymm0, ymm2
vaddps ymm1, ymm1, ymm2
vaddps ymm3, ymm3, ymm2
vaddps ymm4, ymm4, ymm2
add eax, -192
jne .LBB0_1
vaddps ymm0, ymm1, ymm0
vaddps ymm0, ymm3, ymm0
vaddps ymm0, ymm4, ymm0
vextractf128 xmm1, ymm0, 1
vaddps ymm0, ymm0, ymm1
vpermilpd xmm1, xmm0, 1 # xmm1 = xmm0[1,0]
vaddps ymm0, ymm0, ymm1
vhaddps ymm0, ymm0, ymm0
vzeroupper
ret
これはなぜですか、なぜclangとgccでまったく同じですか?
同じループの限界あなたが交換した場合float
には、double
これが再びgccと打ち鳴らすために同じである479です。
アップデート1
gcc 7(スナップショット)とclang(トランク)の動作は大きく異なります。clangは、960未満のすべての制限についてループを最適化します。一方、gccは正確な値の影響を受けやすく、上限はありません。例えば、それはしない制限が200(ならびに多くの他の値)である場合、ループを最適化するが、それはありません制限は202と20002(ならびに多くの他の値)である場合。