MIPS架构下指令重排后如何展开点积循环？

原始代码 #

Loop: ld $f0, 0($s1) 
      ld $f4, 0($s2) 
      multd $f0, $f0, $f4 
      addd $f2, $f0, $f2 
      subi $s1, $s1, 8 
      subi $s2, $s2, 8 
      bneqz $s1, Loop

核心约束 #

延迟周期表 #

额外规则：单周期延迟分支（分支指令后有1个延迟槽，该槽指令无条件执行）

你的尝试代码 #

Loop: ld $f0, 0($s1) 
      ld $f4, 0($s2)
      STALL
      multd $f0, $f0, $f4
      STALL
      STALL
      STALL 
      addd $f2, $f0, $f2 
      subi $s1, $s1, 8 
      subi $s2, $s2, 8 
      bneqz $s1, Loop

问题拆解与优化步骤 #

你把addd移到bneqz后陷入困境，本质是没吃透延迟槽利用和无关指令填充停顿这两个核心技巧，下面一步步拆解：

1. 消除冗余STALL：用无关指令填充延迟槽 #

你的代码里插入了4个STALL，但其中3个可以用subi这类不依赖FP单元结果的整数指令替代——这些指令和FP运算完全无关，能直接占用原本空转的周期，避免性能浪费。

根据延迟规则：

• ld到multd需要1周期延迟：ld执行后，必须等1周期才能启动multd，这里确实需要1个STALL（暂时没其他无关指令可填）
• multd到addd需要3周期延迟：multd启动后，要等3周期才能用结果做addd，这期间刚好可以执行subi $s1和subi $s2，直接替换2个STALL

调整后单迭代代码：

Loop: ld $f0, 0($s1) 
      ld $f4, 0($s2)
      STALL  # 满足Load到FP ALU的1周期延迟
      multd $f0, $f0, $f4
      subi $s1, $s1, 8  # 填充停顿槽，替代STALL
      subi $s2, $s2, 8  # 填充停顿槽，替代STALL
      addd $f2, $f0, $f2 
      bneqz $s1, Loop

2. 利用分支延迟槽放置addd #

单周期延迟分支的核心是：bneqz指令执行后，紧跟的延迟槽指令一定会被执行，无论分支是否跳转。这刚好可以用来放addd——因为addd依赖multd的结果，而延迟槽的执行时机刚好满足multd到addd的3周期延迟要求。

调整后的代码：

Loop: ld $f0, 0($s1) 
      ld $f4, 0($s2)
      STALL
      multd $f0, $f0, $f4
      subi $s1, $s1, 8 
      subi $s2, $s2, 8 
      bneqz $s1, Loop
      addd $f2, $f0, $f2  # 分支延迟槽指令，无条件执行

这里的逻辑完全成立：

• 若$s1≠0（分支跳转）：addd先执行（完成当前迭代的累加），再跳转到Loop开始下一轮，下一轮的ld会覆盖$f0，但此时addd已经用完$f0的值，无冲突
• 若$s1=0（分支不跳转）：addd执行最后一次累加，程序正常退出

这样又省掉了原本addd占用的独立周期，进一步压缩了迭代耗时。

3. 循环展开：彻底隐藏延迟（进阶优化） #

如果要进一步提升性能，循环展开是关键——通过把多个迭代的指令重叠，让CPU在等待一个multd结果的同时，执行下一个迭代的ld和multd，完全消除STALL。

以展开2次为例（假设数组元素数为偶数）：

Loop: ld $f0, 0($s1)    # 迭代1：加载第一个元素对
      ld $f4, 0($s2)
      ld $f6, -8($s1)   # 迭代2：加载第二个元素对
      ld $f8, -8($s2)
      multd $f0, $f0, $f4  # 迭代1：乘法
      multd $f6, $f6, $f8  # 迭代2：乘法（并行利用FP单元，无延迟冲突）
      subi $s1, $s1, 16    # 调整指针，对应2次迭代的步长
      subi $s2, $s2, 16
      addd $f2, $f2, $f0   # 累加迭代1的结果
      addd $f2, $f2, $f6   # 累加迭代2的结果
      bneqz $s1, Loop

展开后，原本需要的STALL被完全消除：前两个ld的延迟被后两个ld填充，multd的延迟被subi填充，整个执行流程没有空转周期，性能提升接近2倍。

内容的提问来源于stack exchange，提问作者0xMe