编译器优化：何为SLP矢量化( 三 ) _SLP

b. 函数follow_def_uses 去寻找对b， e， h 使用的语句，将（3， 6）和（6， 9）加入P ，如（c）
c. 函数follow_use_defs 去寻找 c， f， j 进行def的语句，将（2， 5）和（5， 8）加入P ，如（d）
d. 再执行一次follow_def_uses，发现没有新的语句对可以加入P了，停止。
（4）执行combine_packs：
a. （1），（4））和（4），（7）合并为（1），（4），（7）
b. （3），（6）和（6），（9）合并为（3），（6），（9）
c. （2），（5）和（5），（8）合并为（2），（5），（8）
合并后状态，如（e）。
（5）执行调度：注意依赖关系，比如 3 依赖于1， 2，最终状态如（f）。
2.Loop-Aware SLP 算法介绍LLVM 中的 SLP vectorization ，是受Loop-Aware SLP in GCC（by Ira Rosen， Dorit Nuzman，Ayal Zaks） [4]这篇论文启发来实现的。

文章插图

2.1 简介Loop-Aware 方法是对基础 SLP 方法的改进，更加重视对跟Loop相关的向量化机会挖掘，其思想是 :
首先，通过循环展开将迭代间并行转换为迭代内并行，使循环体内的同构语句条数足够多；
再利用 SLP 方法进行向量发掘。当循环展开次数为 1 时，Loop-Aware 方法相当于 SLP 方法，当循环展开次数为向量化因子 (vector factor，简称 VF) 时，将同一条语句展开后的多条语句打包成向量。然而，当循环展开不合法或者并行度低于向量化因子时，Loop-Aware 方法无法简单实施。
换言之，Loop-Aware 向量化方法的实质就是当迭代内并行度较低时，通过循环展开将迭代间并行转换为迭代内并行，其要求循环的迭代间并行度较高。
一个典型例子，它可以使能以下因同构语句条数不够多而原始SLP无法矢量化的场景：
for (i=0; i<N; i++){ a[2*i] = b[2*i] + x0; a[2*i+1] = b[2*i+1] + x1;}需要借助loop unroll，最终矢量化为以下形式：
for (i=0; i<N/2; i++){ va[4*i:4*i+3] = vb[4*i:4*i+3] + {x0,x1,x0,x1};}2.2 具体差异与原始SLP方法的差别，论文作者在其提交给GCC的PATCH中有说明[5]，主要有以下三条：
（1）Loop-Aware SLP 着眼于Loop相关的bb块，而不是程序中的任意bb块。这么做的原因有两个，一是可以复用已有的循环矢量化的框架，二是大多数有价值的优化机会都在循环中。
（2）原始SLP算法起始于相邻内存的load或stroe，称之为seed，根据def-use扩展，并合并成Vectorize Size（VS）大小的组。Loop-Aware SLP的seed来自于interleaving analysis之后预先确定的一组相邻store，所以不需要原始算法中的合并这一步骤。具体来说就是，Loop-Aware借助loop-unroll使得在寻找seed时就能天然地找到能够刚好合并到一个向量寄存器中的指令，而原始SLP需要在合并阶段做排布。
（3）Loop-Aware SLP结合了SLP-based和Loop-based矢量化，所以对于以下循环：

for (i=0; i<N; i++){a[4*i] = b[4*i] + x0;a[4*i+1] = b[4*i+1] + x1;a[4*i+2] = b[4*i+2] + x2;a[4*i+3] = b[4*i+3] + x3;c<i> = 0;}

可以优化成以下形式：

for (i=0; i<N/4; i++){//SLP矢量化部分va[16*i:16*i+3] = vb[16*i:16*i+3] + {x0,x1,x2,x3};va[16*i+4:16*i+7] = vb[16*i+4:16*i+7] + {x0,x1,x2,x3};va[16*i+8:16*i+11] = vb[16*i+8:16*i+11] + {x0,x1,x2,x3};va[16*i+12:16*i+15] = vb[16*i+12:16*i+15] + {x0,x1,x2,x3};//Loop矢量化部分vc[4*i:4*i+3] = {0,0,0,0};}

3.源码阅读SLP 是一个 transform pass，在 LLVM 14 中该pass 的实现代码位于
llvm/lib/Transforms/Vectorize/SLPVectorizer.cpp 和 llvm/Transforms/Vectorize/SLPVectorizer.h中。
3.1 提供的选项（1）开源选项