我想尽可能快地对两块内存进行异或,我如何使用SIMD来加速它?
我的原始代码如下:
void region_xor_w64( unsigned char *r1, /* Region 1 */
unsigned char *r2, /* Region 2 */
int nbytes) /* Number of bytes in region */
{
uint64_t *l1;
uint64_t *l2;
uint64_t *ltop;
unsigned char *ctop;
ctop = r1 + nbytes;
ltop = (uint64_t *) ctop;
l1 = (uint64_t *) r1;
l2 = (uint64_t *) r2;
while (l1 < ltop) {
*l2 = ((*l1) ^ (*l2));
l1++;
l2++;
}
}
我自己写了一个,但速度很快。
void region_xor_sse( unsigned char* dst,
unsigned char* src,
int block_size){
const __m128i* wrd_ptr = (__m128i*)src;
const __m128i* wrd_end = (__m128i*)(src+block_size);
__m128i* dst_ptr = (__m128i*)dst;
do{
__m128i xmm1 = _mm_load_si128(wrd_ptr);
__m128i xmm2 = _mm_load_si128(dst_ptr);
xmm2 = _mm_xor_si128(xmm1, xmm2);
_mm_store_si128(dst_ptr, xmm2);
++dst_ptr;
++wrd_ptr;
}while(wrd_ptr < wrd_end);
}
答案 0 :(得分:8)
更重要的问题是为什么要手动完成。你有一个古老的编译器,你认为你可以智取吗?那些必须手动编写SIMD指令的好时光已经结束。今天,在99%的情况下,编译器将为您完成工作,并且可能会做得更好。另外,不要忘记每隔一段时间就有越来越多的扩展指令集出现新的架构。所以问问自己一个问题 - 您是否希望为每个平台维护N个实施副本?您是否希望不断测试您的实施以确保它值得维护?很可能答案是否定的。
您唯一需要做的就是编写最简单的代码。编译器将完成剩下的工作。例如,以下是我编写函数的方法:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int len)
{
unsigned int i;
for (i = 0; i < len; ++i)
r2[i] = r1[i] ^ r2[i];
}
有点简单,不是吗?猜猜看,编译器正在生成使用MOVDQU
和PXOR
执行128位XOR的代码,关键路径如下所示:
4008a0: f3 0f 6f 04 06 movdqu xmm0,XMMWORD PTR [rsi+rax*1]
4008a5: 41 83 c0 01 add r8d,0x1
4008a9: f3 0f 6f 0c 07 movdqu xmm1,XMMWORD PTR [rdi+rax*1]
4008ae: 66 0f ef c1 pxor xmm0,xmm1
4008b2: f3 0f 7f 04 06 movdqu XMMWORD PTR [rsi+rax*1],xmm0
4008b7: 48 83 c0 10 add rax,0x10
4008bb: 45 39 c1 cmp r9d,r8d
4008be: 77 e0 ja 4008a0 <region_xor_w64+0x40>
正如@Mysticial所指出的,上面的代码使用的是支持未对齐访问的指令。那些比较慢。但是,如果程序员可以正确地采用对齐访问,则可以让编译器知道它。例如:
void region_xor_w64(unsigned char * restrict r1,
unsigned char * restrict r2,
unsigned int len)
{
unsigned char * restrict p1 = __builtin_assume_aligned(r1, 16);
unsigned char * restrict p2 = __builtin_assume_aligned(r2, 16);
unsigned int i;
for (i = 0; i < len; ++i)
p2[i] = p1[i] ^ p2[i];
}
编译器为上面的C代码生成以下内容(注意movdqa
):
400880: 66 0f 6f 04 06 movdqa xmm0,XMMWORD PTR [rsi+rax*1]
400885: 41 83 c0 01 add r8d,0x1
400889: 66 0f ef 04 07 pxor xmm0,XMMWORD PTR [rdi+rax*1]
40088e: 66 0f 7f 04 06 movdqa XMMWORD PTR [rsi+rax*1],xmm0
400893: 48 83 c0 10 add rax,0x10
400897: 45 39 c1 cmp r9d,r8d
40089a: 77 e4 ja 400880 <region_xor_w64+0x20>
明天,当我给自己买一台带有Haswell CPU的笔记本电脑时,编译器会生成一个代码,使用256位指令而不是相同代码的128位,这样我的矢量性能提高了两倍。即使我不知道Haswell能够做到这一点,它也会这样做。您不仅要了解该功能,还要编写代码的另一个版本并花一些时间对其进行测试。
顺便说一句,您的实现中似乎也有一个错误,其中代码可以在数据向量中跳过最多3个剩余字节。
无论如何,我建议您信任您的编译器并学习如何验证生成的内容(即熟悉objdump
)。下一个选择是更改编译器。然后才开始考虑手动编写矢量处理指令。或者你会度过一段美好的时光!
希望它有所帮助。祝你好运!
答案 1 :(得分:0)
当通过值传递区域的大小时,为什么不输入代码:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
r2[i] = r1[i] ^ r2[i];
}
甚至:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
r2[i] ^= r1[i];
}
如果偏爱前进(“向上记忆”)和使用指针,则:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
*r2++ ^= *r1++;
}
答案 2 :(得分:0)
好吧,如果intel宁愿向前走并且更喜欢指针操作而不是索引,那么:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
*r2++ ^= *r1++;
}
迈克