Question

我有一些结构与下面相似的代码。有一堆小的SSE辅助函数，一个用于完成大部分工作的较大函数，以及组织数据的公共函数，在循环中运行大函数并处理任何遗留数据。

这比标量实现提供了大约2倍的速度提升，但是如果可能的话我希望获得更多。除了一些概念问题之外，反汇编中还有一些内容（仅详细介绍了x86 VC ++ 2010，但支持x86和GCC）我不喜欢。

对于至少某些目标，我只能在这里使用SSE和SSE2，但如果值得单独构建，我也可以使用更新的指令集。

问题1：

所有小帮手都很好地插入了大帮手，而大帮手却没有。

然而，即使它只被一个源文件中的一个函数引用并且有很多寄存器（看看算法，非常确定它只需要最多12个XMM寄存器，除了加载数据数组），编译器似乎想要遵循fooHelper的正常调用约定。

所以在将数据放入foo中的XMM寄存器之后，它将它们放回堆栈，并传递指针，然后在循环和整理之后，它将该堆栈加载回XMM，以便我可以再次卸载它... < / p>

我想我可以强制它内联fooHelper，但这是一个非常大量的重复指令，因为它不会使用4个XMM寄存器来完成这项工作。我也不能在foo本身使用SSE，这会消除加载/存储问题，但是fooHelper仍在对这4个状态变量进行完全不需要的加载和存储......

理想情况下，由于这是一个私有函数，忽略正常调用约定的方法会很好，而且我相信这会出现在很多其他较大的SSE中，我并不希望所有内容完全内联。< / p>

问题2：

实现基本上处理组织为AAAA，BBBB，CCCC，DDDD的4个状态向量，这样代码可以简单地编写，好像它使用A，B，C和D作为单独的变量，同时处理所有一次4个数据流。

然而输出本身的格式为ABCD，ABCD，ABCD，ABCD，输入也是4个独立的缓冲区，需要_m_set_epi32加载它。

有没有更好的方法来处理这些输入和输出（其格式实际上无法改变）？

namespace
{
    void fooHelperA(__m128i &a, __m128i b, __m128i x, int s)
    {
        ...small function (<5 sse operations)...
    }
    ...bunch of other small functions...

    //
    void fooHelper(        
         const int *data1, const int *data2, const int *data3, const int *data4,
         __m128i &a, __m128i &b, __m128i &c, __m128i &d)
    {
        //Get the current piece of data
        __m128 c = _mm_set_epi32(data1[0], data2[0], data3[0], data4[0]);
        ...do stuff with data...
        fooHelperA(a, b, c, 5);
        ...
        c = _mm_set_epi32(data1[1], data2[1], data3[1], data4[1]);
        ...
        fooHelperA(b, a, c, 7);
        ... lots more code ...
        c = _mm_set_epi32(data1[3], data2[3], data3[3], data4[3]);
        ...
    }
}
void foo(
    const char*data1, const char *data2, const float *data3, const char *data4,
    int*out1, int*out2, int*out3, int*out4,
    size_t len)
{
    __m128i a = _mm_setzero_si128();
    __m128i b = _mm_setzero_si128();
    __m128i c = _mm_setzero_si128();
    __m128i d = _mm_setzero_si128();
    while (len >= 16) //expected to loop <25 times for datasets in question
    {
        fooHelper((const int*)data1, (const int*)data2, (const int*)data3, (const int*)data4, a,b,c,d);
        data1 += 16;
        data2 += 16;
        data3 += 16;
        data4 += 16;
        len -= 16;
    }
    if (len)
    {
        int[4][4] buffer;
        ...padd data into buffer...
        fooHelper(buffer[0], buffer[1], buffer[2], buffer[3], a,b,c,d);
    }
    ALIGNED(16, int[4][4]) tmp;
    _mm_store_si128((__m128i*)tmp[0], a);
    _mm_store_si128((__m128i*)tmp[1], b);
    _mm_store_si128((__m128i*)tmp[2], c);
    _mm_store_si128((__m128i*)tmp[3], d);

    out1[0] = tmp[0][0];
    out2[0] = tmp[0][1];
    out3[0] = tmp[0][2];
    out4[0] = tmp[0][3];

    out1[1] = tmp[0][0];
    out2[1] = tmp[0][1];
    out3[1] = tmp[0][2];
    out4[1] = tmp[0][3];

    out1[2] = tmp[0][0];
    out2[2] = tmp[0][1];
    out3[2] = tmp[0][2];
    out4[2] = tmp[0][3];

    out1[3] = tmp[0][0];
    out2[3] = tmp[0][1];
    out3[3] = tmp[0][2];
    out4[3] = tmp[0][3];
}

Answer 1

一些建议，

1）查看您的代码和数据描述，通过将您的数据组织从SOA（数组结构）转移到AAAA向量到结构的AOS数组，您的输入数据已经被组织为ABCD，你将有一个大输入向量（大4倍）！

2）注意您的数据对齐。现在你不关心你是否应该因为set_epi32函数而具有pinalllity但是如果你切换到AOS你应该能够使用快速加载（内存到XMS）。

3）函数的结尾有点奇怪，（我现在无法模拟）我真的不明白为什么你需要一个tmp 2d数组。

4）交错（和逆操作）可以使用SOA / AOS转换的一些例子来完成......英特尔在推广SIMD指令集时写了很多关于这个主题的论文。

祝你好运，亚历

具有多个功能的C ++ SSE优化

1 个答案: