Question

我需要使用SSE2编写一个点积（没有_mm_dp_ps也没有_mm_hadd_ps）：

#include <xmmintrin.h>

inline __m128 sse_dot4(__m128 a, __m128 b)
{
    const __m128 mult = _mm_mul_ps(a, b);
    const __m128 shuf1 = _mm_shuffle_ps(mult, mult, _MM_SHUFFLE(0, 3, 2, 1));
    const __m128 shuf2 = _mm_shuffle_ps(mult,mult, _MM_SHUFFLE(1, 0, 3, 2));
    const __m128 shuf3 = _mm_shuffle_ps(mult,mult, _MM_SHUFFLE(2, 1, 0, 3));

    return _mm_add_ss(_mm_add_ss(_mm_add_ss(mult, shuf1), shuf2), shuf3);
}

但是我用gcc 4.9（实验性）-O3查看了生成的汇编程序，得到了：

    mulps   %xmm1, %xmm0
    movaps  %xmm0, %xmm3         //These lines
    movaps  %xmm0, %xmm2         //have no use
    movaps  %xmm0, %xmm1         //isn't it ?
    shufps  $57, %xmm0, %xmm3
    shufps  $78, %xmm0, %xmm2
    shufps  $147, %xmm0, %xmm1
    addss   %xmm3, %xmm0
    addss   %xmm2, %xmm0
    addss   %xmm1, %xmm0
    ret

我想知道为什么gcc在xmm1,2和3中复制xmm0 ... 这是我使用标志获得的代码：-march = native（看起来更好）

    vmulps  %xmm1, %xmm0, %xmm1
    vshufps $78, %xmm1, %xmm1, %xmm2
    vshufps $57, %xmm1, %xmm1, %xmm3
    vshufps $147, %xmm1, %xmm1, %xmm0
    vaddss  %xmm3, %xmm1, %xmm1
    vaddss  %xmm2, %xmm1, %xmm1
    vaddss  %xmm0, %xmm1, %xmm0
    ret

Answer 1

这是一个只使用原始SSE指令的点积，它也会在每个元素上调整结果：

inline __m128 sse_dot4(__m128 v0, __m128 v1)
{
    v0 = _mm_mul_ps(v0, v1);

    v1 = _mm_shuffle_ps(v0, v0, _MM_SHUFFLE(2, 3, 0, 1));
    v0 = _mm_add_ps(v0, v1);
    v1 = _mm_shuffle_ps(v0, v0, _MM_SHUFFLE(0, 1, 2, 3));
    v0 = _mm_add_ps(v0, v1);

    return v0;
}

这是5条SIMD指令（而不是7条），但没有隐藏延迟的真正机会。任何元素都会保留结果，例如float f = _mm_cvtss_f32(sse_dot4(a, b);

haddps指令的延迟非常糟糕。使用SSE3：

inline __m128 sse_dot4(__m128 v0, __m128 v1)
{
    v0 = _mm_mul_ps(v0, v1);

    v0 = _mm_hadd_ps(v0, v0);
    v0 = _mm_hadd_ps(v0, v0);

    return v0;
}

虽然只有3条SIMD指令，但这可能会慢一些。如果您一次可以执行多个点积，则可以在第一种情况下交错指令。在最近的微架构中，Shuffle非常快。

Answer 2

您粘贴的第一个列表仅适用于SSE体系结构。大多数SSE指令仅支持两种操作数语法：指令采用a = a OP b。

的形式

在您的代码中，a为mult。因此，如果没有复制并直接传递mult（在您的示例中为xmm0），其值将被覆盖，然后在剩余的_mm_shuffle_ps指令中丢失

通过在第二个列表中传递march=native，您启用了AVX指令。 AVX使SSE intructions能够使用三个操作数语法：c = a OP b。在这种情况下，不必覆盖任何源操作数，因此您不需要额外的副本。

Answer 3

让我建议，如果您打算使用SIMD做点积，那么您可以尝试找到一种方法同时对多个向量进行操作。例如，对于SSE，如果你有四个向量，并且你想要使用固定向量的点积，那么你排列数据，如（xxxx），（yyyy），（zzzz），（wwww），并添加每个SSE向量，并得到四个点产品的结果一次。这将使您获得100％（四倍的加速）效率，并且不仅限于4分量矢量，它对于n分量矢量也是100％有效的。这是一个仅使用SSE的示例。

#include <xmmintrin.h>
#include <stdio.h>

void dot4x4(float *aosoa, float *b, float *out) {   
    __m128 vx = _mm_load_ps(&aosoa[0]);
    __m128 vy = _mm_load_ps(&aosoa[4]);
    __m128 vz = _mm_load_ps(&aosoa[8]);
    __m128 vw = _mm_load_ps(&aosoa[12]);
    __m128 brod1 = _mm_set1_ps(b[0]);
    __m128 brod2 = _mm_set1_ps(b[1]);
    __m128 brod3 = _mm_set1_ps(b[2]);
    __m128 brod4 = _mm_set1_ps(b[3]);
    __m128 dot4 = _mm_add_ps(
        _mm_add_ps(_mm_mul_ps(brod1, vx), _mm_mul_ps(brod2, vy)),
        _mm_add_ps(_mm_mul_ps(brod3, vz), _mm_mul_ps(brod4, vw)));
    _mm_store_ps(out, dot4);

}

int main() {
    float *aosoa = (float*)_mm_malloc(sizeof(float)*16, 16);
    /* initialize array to AoSoA vectors v1 =(0,1,2,3}, v2 = (4,5,6,7), v3 =(8,9,10,11), v4 =(12,13,14,15) */
    float a[] = {
        0,4,8,12,
        1,5,9,13,
        2,6,10,14,
        3,7,11,15,
    };
    for (int i=0; i<16; i++) aosoa[i] = a[i];

    float *out = (float*)_mm_malloc(sizeof(float)*4, 16);
    float b[] = {1,1,1,1};
    dot4x4(aosoa, b, out);
    printf("%f %f %f %f\n", out[0], out[1], out[2], out[3]);

    _mm_free(aosoa);
    _mm_free(out);
}

Answer 4

（事实上，尽管所有的选票都是在这个问题发布时给出的答案没有达到我的期望。这是我等待的答案。）

SSE指令

shufps $IMM, xmmA, xmmB

不起作用

xmmB = f($IMM, xmmA) 
//set xmmB with xmmA's words shuffled according to $IMM

但是作为

xmmB = f($IMM, xmmA, xmmB) 
//set xmmB with 2 words of xmmA and 2 words of xmmB according to $IMM

这就是为什么需要从mulps到xmm0的{{1}}结果的副本。

C内在函数，SSE2点积和gcc -O3生成的汇编

4 个答案: