■

https://github.com/tanakamura/waifu2x-converter-cpp/tree/simd_improve

やる気が出てきたのでチューニングしなおした。(バイナリは http://int.main.jp/files/waifu2x-converter_x64_1101.zip )

	cpu		before[GFLOPS]		after[GFLOPS]		improvements[%]		efficiency[%]		theoretical peak[GFLOPS]		備考
	i7-6700(Skylake TB無し3.4G固定 4C8T)		259.3		359.8		38.8		82.7		435.2
	Tegra4(Cortex-A15 1.6GHz x 4)		11.3		21.2		87.6		41.2		51.392		クロックは変動大きいのであやしい
	Snapdragon 410(Cortex-A53 1.21GHz x4)		6.37		9.46		48.5		24.4		38.72
	Celeron 2955U(Haswell 1.4GHz 2C SSE)		16.7		17.5		4.7		78.1		22.4
	i7-4700MQ(Haswell TB無し2.4GHz固定 4C8T)		145.0		245.0		63.3		79.8		307.2
	BCM2836(Cortex-A7x2 900MHz)		2.41		3.78		56.8		52.5		7.2
	Core2 Duo 1.4GHz		11.2		12.3		9.8		54.9		22.4
	MT8173(Cortex-A72x2 1.989GHz 32bit)		13.3		18.4		38.3		57.8		31.824		周波数はCPU-Z目視
	MT8173(Cortex-A72x2 1.989GHz 64bit)		15.8		15.2		-3.8		47.8		31.824		周波数はCPU-Z目視

性能は、ファイル入出力を含まない(runbenchの値)

• ちゃんと最内ループがキャッシュに入るようにした
• 命令の依存を減らした(SMT無い時にけっこう改善してるはず)
• レジスタ少ない場合に対応。32bit版は性能マシになったと思われる(と思ったがそうでもない)
• NEON版はまじめに書いた(https://github.com/tanakamura/waifu2x-converter-cpp/blob/ef62a7964872d82823333e102dc3f09367065695/src/modelHandler_simd_unroll4.hpp#L86)

SSEは良くなると思ったが、Atomでは悪くなっている。これはSSEではbroadcastが弱くてロード+shuffleになってしまうから。Atomは2issueなので命令が増えた分そのまま遅くなってしまう。
まあAtomはOpenCLのほうが確実にはやいから忘れよう。