おそらく既にご想像のとおり、GCC 5.0ではグループメモリアクセスのベクトル化が大幅に改善されました。 グループメモリアクセスは、反復可能な呼び出しシーケンスを指します。 例：
x = a[i], y = a[i + 1], z = a[i + 2]
iで反復できるのは、長さ3のメモリダウンロードのグループです。メモリアクセスのグループの長さは、グループ内の最低アドレスと最高アドレスの間の距離です。 上記の例では- （i + 2）-（i）+ 1 = 3
グループ内のメモリアクセス数は、その長さを超えません。 例：
x = a[i], z = a[i + 2]
i上で反復可能なのは、メモリアクセスが2つしかないという事実にもかかわらず、長さ3のグループです。
GCC 4.9は、長さが2（2、4、8 ...）のグループをベクトル化します。
GCC 5.0は、長さが3または次数2（2、4、8 ...）のグループをベクトル化します。 他の長さは、実際のアプリケーションでは非常にまれなので、ベクトル化されません。
ほとんどの場合、構造体の配列を操作するときは、メモリアクセスのグループのベクトル化が使用されます。
1.たとえば、RGB構造での画像変換。 例 。
2. N次元の座標を操作します（3次元の点を正規化するなど）。 例 。
3.定数行列によるベクトルの乗算：
a[i][0] = 7 * b[i][0] - 3 * b[i][1]; a[i][1] = 2 * b[i][0] + b[i][1];
GCC 5.0全体（4.9と比較）
- 長さ3のメモリアクセスのグループのベクトル化がありました。
- 任意の長さのメモリダウンロードグループのベクトル化を大幅に改善
- 特定のx86プロセッサに最適なメモリアクセスグループをベクトル化する手法が使用されるようになりました。
次の表は、GCC 4.9と比較してバイト構造（ベクトル内の要素の最大数）でGCC 5.0を使用した場合のパフォーマンスの向上の推定値を示しています。 評価には次のサイクルが使用されます。
int i, j, k; byte *in = a, *out = b; for (i = 0; i < 1024; i++) { for (k = 0; k < STGSIZE; k++) { byte s = 0; for (j = 0; j < LDGSIZE; j++) s += in[j] * c[j][k]; out[k] = s; } in += LDGSIZE; out += STGSIZE; }
どこで：
- cは定数行列です。
const byte c[8][8] = {1, -1, 1, -1, 1, -1, 1, -1, 1, 1, -1, -1, 1, 1, -1, -1, 1, 1, 1, 1, -1, -1, -1, -1, -1, 1, -1, 1, -1, 1, -1, 1, -1, -1, 1, 1, -1, -1, 1, 1, -1, -1, -1, -1, 1, 1, 1, 1, -1, -1, -1, 1, 1, 1, -1, 1, 1, -1, 1, 1, 1, -1, -1, -1};
このようなマトリックスは、ループ内の計算を最小限に抑えて、比較的速い加算と減算を行うために使用されます。
- inおよびoutは、グローバル配列「a [1024 * LDGSIZE]」および「b [1024 * STGSIZE]」へのポインタです。
- バイトは符号なし文字です
- LDGSIZEおよびSTGSIZEは、それぞれメモリダウンロードのグループの長さを決定し、メモリに保存するマクロです。
コンパイルオプション「-Ofast」とSilvermontの 「-march = slm」、 Haswellの 「-march = core-avx2」およびすべての組み合わせ-DLDGSIZE = {1,2,3,4,8} -DSTGSIZE = {1,2 、3,4、8}
4.9と比較したGCC 5.0のパフォーマンスの向上（何倍も高速であるほど、優れている）。
Silvermont ：Intel Atom（TM）CPU C2750 @ 2.41GHz
最大6.5倍の成長！
表からわかるように、長さ3のメモリグループの結果はあまり良くありません。 これは、そのような変換には8つの「pshufb」命令が必要であり、Silvermontでの実行時間は約5クロックサイクルであるためです。 それにもかかわらず、ループ内の他のチームのベクトル化により、大幅に増加する可能性があります。 これは、長さ2、3、4、および8のメモリダウンロードのグループの例で見ることができます。
長さ2のメモリロードグループのGCCアセンブラの例：
| GCC 4.9 | GCC 5.0 |
| movdqa .LC0（％rip）、％xmm7
movdqa .LC1（％rip）、％xmm6 movdqa .LC2（％rip）、％xmm5 movdqa .LC3（％rip）、％xmm4 movdqu a（％rax、％rax）、％xmm1 movdqu a + 16（％rax、％rax）、％xmm0 movdqa％xmm1、％xmm3 pshufb％xmm7、％xmm3 movdqa％xmm0、％xmm2 pshufb％xmm5、％xmm1 pshufb％xmm6、％xmm2 pshufb％xmm4、％xmm0 por％xmm2、％xmm3 por％xmm0、％xmm2 | movdqa .LC0（％rip）、％xmm3
movdqu a（％rax、％rax）、％xmm0 movdqu a + 16（％rax、％rax）、％xmm1 movdqa％xmm3、％xmm4 pand％xmm0、％xmm3 psrlw $ 8、％xmm0 pand％xmm1、％xmm4 psrlw $ 8、％xmm1 packuswb％xmm4、％xmm3 packuswb％xmm1、％xmm0 |
Haswell ：Intel Core（TM）i7-4770K CPU @ 3.50GHz
最大3倍の成長！
この場合、長さ3のメモリグループの結果は、 Haswellでは命令「pshufb」が1クロックサイクルで実行されるため、はるかに優れています。 さらに、ここでの最大の増加は、長さ3のメモリアクセスグループの実装されたベクトル化のためです。
長さ2のメモリロードグループのGCCアセンブラの例：
| GCC 4.9 | GCC 5.0 |
| vmovdqa .LC0（％rip）、％ymm7
vmovdqa .LC1（％rip）、％ymm6 vmovdqa .LC2（％rip）、％ymm5 vmovdqa .LC3（％rip）、％ymm4 vmovdqu a（％rax、％rax）、％ymm0 vmovdqu a + 32（％rax、％rax）、％ymm2 vpshufb％ymm7、％ymm0、％ymm1 vpshufb％ymm5、％ymm0、％ymm0 vpshufb％ymm6、％ymm2、％ymm3 vpshufb％ymm4、％ymm2、％ymm2 vpor％ymm3、％ymm1、％ymm1 vpor％ymm2、％ymm0、％ymm0 vpermq $ 216、％ymm1、％ymm1 vpermq $ 216、％ymm0、％ymm0 | vmovdqa .LC0（％rip）、％ymm3
vmovdqu a（％rax、％rax）、％ymm0 vmovdqu a + 32（％rax、％rax）、％ymm2 vpand％ymm0、％ymm3、％ymm1 vpsrlw $ 8、％ymm0、％ymm0 vpand％ymm2、％ymm3、％ymm4 vpsrlw $ 8、％ymm2、％ymm2 vpackuswb％ymm4、％ymm1、％ymm1 vpermq $ 216、％ymm1、％ymm1 vpackuswb％ymm2、％ymm0、％ymm0 vpermq $ 216、％ymm0、％ymm0 |
測定に使用されるコンパイラ：
英語の記事の元のテキストから測定値が取得された例をダウンロードできます。