深入计算机组成原理（二十七）SIMD：如何加速矩阵乘法

上一讲，我们讲解了CPU里的黑科技，超标量技术和超长指令字技术。

超标量技术能够让取指令以及指令译码也并行进行；在编译的过程，超长指令字技术可以搞定指令前后的依赖关系，使得一次可以取一个指令包。

不过，CPU里的各种神奇的优化我们还远远没有说完。这一讲里，我们讲一讲最后两个提升CPU性能的架构设计。它们分别是，超线程技术以及可能没有那么熟悉的单指令多数据流技术。

超线程：Intel多卖给你的那一倍CPU

不知道你还记得吗，在第二十一讲，我们介绍了Intel是怎么在奔腾4处理器上遭遇的巨大失败。

那时候我们说过，奔腾4的失败的一个重要原因，就是它的CPU的流水线级数太深了。早期的奔腾4的流水线深度高达20级，而后期的代号为Prescott 的奔腾4的流水线级数更是高达31级。超长的流水线，使得我们之前讲的很多解决冒险、提升并发的方案都用不上。

因为这些解决冒险、提升并发的方案，本质上都是一种指令级并行的技术方案。换句话来说，CPU想要在同一个时间，去并行地执行两条指令，而这两条指令，原本在我们的代码里，是有先后顺序的。无论是我们在流水线里面讲到的流水线架构、分支预测以及乱序执行，还是我们在上一讲数的超标量和超长指令字，都是想要通过同一时间执行两条指令，来提升CPU的吞吐率。

然而在奔腾4这个CPU上，这些方法都可能因为流水线太深，而起不到效果。我们讲过，更深的流水线意味着同时在流水线里的指令就多，相互的依赖关系就多。于是，很多时候，我们不得不把流水线停顿下来，插入很多NOP操作，来解决这些依赖带来的冒险问题。

什么是超线程技术呢？Intel想，既然CPU同时运行那些在代码层面有先后依赖关系的指令，会遇到各种冒险问题，我们不如去找一些和这些指令完全独立，没有依赖关系的指令来运行好了。那么这些的指令从哪里来呢？自然同时运行在另外一个程序里了。

你所用的计算机，其实同一个时间可以运行很多个程序。比如，我们现在一边写文章，后台可以运行着一个py脚本程序。而这两个程序，是完全相互独立的。它们两个的指令完全并行运行，而不会产生依赖问题带来的“冒险”。

然而这个时候，你可能就会觉得奇怪了，这么做似乎不需要什么新技术呀。现在我们用的CPU都是多核的，本来就可以用多个不同的CPU核心，去运行多个任务。那么这个超线程技术有什么特别的用处呢？

无论是上面说的多个CPU核心运行不同的程序，还是在单个CPU核心里面切换运行不同线程的任务，在同一个时间点上，一个物理的CPU核心只会运行一个线程的指令，所以其实我们没有真正的做到指令的并行运行。

超线程可不是这样。超线程的CPU，其实是把一个物理层面CPU核心，“伪装”成两个逻辑层面的CPU核心。这个CPU，会在硬件层面增加很多电路，使得我们可以在一个CPU核心内部，维护两个不同线程的指令的状态信息。

比如，在一个物理CPU的核心内部，会有双份的PC寄存器、指令寄存器以及条件码寄存器。这样，这个CPU核心就可以维护两条并行的指令的状态。在外面看来，似乎有两个逻辑层面的CPU在同时运行，所以，超线程技术通常也被叫做同时多线程技术。

不过，在CPU的其他功能组件上，Intel可不会提供双份，无论是指令译码器还是ALU，一个CPU核心仍然只有一份。因为超线程并不是真的去同时执行两个指令，那就真的变成物理多核了。超线程的目的是，在一个线程A的指令，在流水线停顿的时候，让另外一个线程去执行指令。因为这个时候，CPU的译码器和ALU就空出来了。那么另外一个线程B就可以拿来干自己需要的事情。这个线程B可没有对于线程A里面指令的关联和依赖。

这样，CPU通过很小的代价，就能实现“同时”运行多个线程的效果，通常我们只要在CPU核心的添加10%左右的逻辑功能，增加可以忽略不计的晶体管数量，就能做到这一点。

不过，你也看到了，我们并没有增加真的功能单元。所以超线程只能在特定的应用场景下效果比较好。一般是在那些各个线程“等待”时间比较长的应用场景下。比如，我们需要应对很多请求的数据库应用，就很适合用超线程。各个指令都要等待访问内存数据，但是并不需要做太多计算。

于是，我们就可以利用好超线程。我们的CPU计算并没有跑满。但是往往当前的指令要停顿在流水线上，等待内存里面的数据返回。这个时候，让CPU里的各个功能单元，去处理另一个数据库链接的查询请求就是一个很好的应用案例。

SIMD：如何加速矩阵乘法？

在上面的CPU信息图里面，你会看到，中间有一组叫做Instruction，里面写了有MMX，SSE等等。这些信息就是这个CPU所支持的指令集。这里的MMX和SSE的指令集，也就引出了最后一个提升CPU性能的技术方案，SIMD，中文叫做单指令多数据流。

我们先来体会一下SIMD的性能到底怎么样。下面是两段实例程序。

python
>>> import numpy as np
>>> import timeit
>>> a = list(range(1000))
>>> b = np.array(range(1000))
>>> timeit.timeit("[i + 1 for i in a]", setup="from __main__ import a", number=1000000)
32.82800309999993
>>> timeit.timeit("np.add(1, b)", setup="from __main__ import np, b", number=1000000)
0.9787889999997788
>>>

你可以看到，两个功能相同的代码性能有着巨大的差异，足足相差了30多倍，也难得怪所有用py讲解数据科学的教程里，往往在一开始就告诉你不要使用循环，而是要把所有的计算都向量化。

有些同学会猜测，是否是因为py是一门解释型语言，所以这个性能差异会那么大。第一段程序的循环的每一次操作都需要 Python 解释器来执行，而第二段的函数调用是一次调用编译好的原生代码，所以才会那么快。如果你这么想，不妨试试直接用 C 语言实现一下 1000 个元素的数组里面的每个数加 1。你会发现，即使是 C 语言编译出来的代码，还是远远低于 NumPy。原因就是，NumPy 直接用到了 SIMD 指令，能够并行进行向量的操作。

而前面使用循环来一步一步计算的算法呢，一般称之为SISD，也就是单指令单数据（Single Instruction Single Data）的处理方式。如果你手头的是一个多核 CPU 呢，那么它同时处理多个指令的方式可以叫作MIMD，也就是多指令多数据（Multiple Instruction Multiple Data）。

为什么 SIMD 指令能快那么多呢？这是因为，SIMD 在获取数据和执行指令的时候，都做到了并行。一方面，在从内存里面读取数据的时候，SIMD是一次性读取多个数据。

就以我们上面的程序为例，数组里面的每一项都是一个 integer，也就是需要 4 Bytes 的内存空间。Intel 在引入 SSE 指令集的时候，在 CPU 里面添上了 8 个 128 Bits 的寄存器。128 Bits 也就是 16 Bytes ，也就是说，一个寄存器一次性可以加载 4 个整数。比起循环分别读取 4 次对应的数据，时间就省下来了。

在数据读取到了之后，在指令的执行层面，SIMD也是可以并行进行的。4个整数各自加1，互相之前完全没有依赖，也就没有冒险问题需要处理。只要CPU里有足够多的功能单元，能够同时进行这些计算，这个加法就是4路同时并行的，自然省下了时间。

所以，对于那些在计算层面存在大量“数据并行”的计算中，使用SIMD是一种很划算的办法，在这个大量的“数据并行”，其实通常就是实践当中的向量运算或者矩阵运算。在实际的程序开发过程中，过去通常是在进行图片，视频，音频的处理。最近几年则通常是在进行各种机器学习算法的计算。

而基于SIMD的向量计算指令，也正是在 Intel 发布 Pentium 处理器的时候，被引入的指令集。当时的指令集叫作MMX，也就是 Matrix Math eXtensions 的缩写，中文名字就是矩阵数学扩展。而 Pentium 处理器，也是 CPU 第一次有能力进行多媒体处理。这也正是拜 SIMD 和 MMX 所赐。

从 Pentium 时代开始，我们能在电脑上听 MP3、看 VCD 了，而不用专门去买一块“声霸卡”或者“显霸卡”了。没错，在那之前，在电脑上看 VCD，是需要专门买能够解码 VCD 的硬件插到电脑上去的。而到了今天，通过 GPU 快速发展起来的深度学习技术，也一样受益于 SIMD 这样的指令级并行方案，在后面讲解GPU的时候，我们还会遇到它。

总结延申

这一讲，我们讲完了超线程和SIMD这两个CPU的“并行计算”方案。超线程，其实是一个“线程级并行”的解决方案，它通过让一个物理CPU核心，“装作”两个逻辑层面的CPU核心，使得CPU可以同时运行两个不同线程的指令。虽然这样的运行仍然有着种种的限制。很多场景下超线程并不一定能带来CPU的性能提升。但是Intel通过超线程，让使用者有了“占到便宜”的感觉。同样的4核心的CPU，在有些情况下能够发挥出8核心CPU的作用。而超线程在今天，已经成了IntelCPU的标配。

而SIMD技术，则是一种“指令级并行”的加速方案，或者我们可以说，它是一种“数据并行”的加速方案，在处理向量计算的情况下，同一个向量的不同维度之间的计算是相互独立的。而我们的CPU里的寄存器，又能放下多条数据。于是，我们可以一次性取出多条数据，交给CPU并行计算。

正是 SIMD 技术的出现，使得我们在 Pentium 时代的个人 PC，开始有了多媒体运算的能力。可以说，Intel的 MMX、SSE 指令集，和微软的 Windows 95这样的图形界面操作系统，推动了 PC 快速进入家庭的历史进程。

思考

超线程这样的技术，在什么样的场景下最高效？你在自己开发系统的过程中，是否遇到过超线程技术为程序带来性能提升的情况呢？