Question

我想在c ++中尽可能快地缩小图像。 This article描述了如何有效地将32位rgb图像平均降低50％。它很快，看起来很好。

我尝试使用sse intrinsics修改该方法。无论是否启用SSE，下面的代码都可以使用。但令人惊讶的是，加速可以忽略不计。

任何人都可以看到改进SSE代码的方法。创建变量shuffle1和shuffle2的两条线似乎是两个候选者（使用一些聪明的移位或类似）。

/*
 * Calculates the average of two rgb32 pixels.
 */
inline static uint32_t avg(uint32_t a, uint32_t b)
{
    return (((a^b) & 0xfefefefeUL) >> 1) + (a&b);
}

/*
 * Calculates the average of four rgb32 pixels.
 */
inline static uint32_t avg(const uint32_t a[2], const uint32_t b[2])
{
    return avg(avg(a[0], a[1]), avg(b[0], b[1]));
}

/*
 * Calculates the average of two rows of rgb32 pixels.
 */
void average2Rows(const uint32_t* src_row1, const uint32_t* src_row2, uint32_t* dst_row, int w)
{
#if !defined(__SSE)
        for (int x = w; x; --x, dst_row++, src_row1 += 2, src_row2 += 2)
            * dst_row = avg(src_row1, src_row2);
#else
        for (int x = w; x; x-=4, dst_row+=4, src_row1 += 8, src_row2 += 8)
        {
            __m128i left  = _mm_avg_epu8(_mm_load_si128((__m128i const*)src_row1), _mm_load_si128((__m128i const*)src_row2));
            __m128i right = _mm_avg_epu8(_mm_load_si128((__m128i const*)(src_row1+4)), _mm_load_si128((__m128i const*)(src_row2+4)));

            __m128i shuffle1 = _mm_set_epi32( right.m128i_u32[2], right.m128i_u32[0], left.m128i_u32[2], left.m128i_u32[0]);
            __m128i shuffle2 = _mm_set_epi32( right.m128i_u32[3], right.m128i_u32[1], left.m128i_u32[3], left.m128i_u32[1]);

            _mm_store_si128((__m128i *)dst_row, _mm_avg_epu8(shuffle1, shuffle2));
        }
#endif
}

Answer 1

在通用寄存器和SSE寄存器之间传输数据非常慢，所以你应该避免这样的事情：

__m128i shuffle1 = _mm_set_epi32( right.m128i_u32[2], right.m128i_u32[0], left.m128i_u32[2], left.m128i_u32[0]);
__m128i shuffle2 = _mm_set_epi32( right.m128i_u32[3], right.m128i_u32[1], left.m128i_u32[3], left.m128i_u32[1]);

借助相应的随机操作，在SSE寄存器中对值进行随机播放。

这应该是你要找的东西：

__m128i t0 = _mm_unpacklo_epi32( left, right ); // right.m128i_u32[1] left.m128i_u32[1] right.m128i_u32[0] left.m128i_u32[0]
__m128i t1 = _mm_unpackhi_epi32( left, right ); // right.m128i_u32[3] left.m128i_u32[3] right.m128i_u32[2] left.m128i_u32[2]
__m128i shuffle1 = _mm_unpacklo_epi32( t0, t1 );    // right.m128i_u32[2] right.m128i_u32[0] left.m128i_u32[2] left.m128i_u32[0]
__m128i shuffle2 = _mm_unpackhi_epi32( t0, t1 );    // right.m128i_u32[3] right.m128i_u32[1] left.m128i_u32[3] left.m128i_u32[1]

Answer 2

如果SSE内在函数几乎没有差异，那么代码可能受内存带宽的限制。

在你的代码中有很多的加载和存储，（_mm_set_epi32是一个负载以及明显的负载），实际工作量不大。

如果加载/存储在运行时占主导地位，则没有多少花哨的指令可以为您节省时间。在高流水线和重新排序指令的现代处理器上，它可能在保持整个处理器忙于代码的非SSE版本方面做得很好。

您可以通过多种方式验证这种情况。最简单的方法是测量算法的实际吞吐量与内存的加载/存储速度的比较。您可能还会注意到一些不同之处，不仅仅是改变实现方式，还会改变输入的大小，因为输入超出了每个级别的处理器缓存的大小而急剧增加。

Answer 3

主要问题是使用_mm_set_epi32进行改组 - 与大多数SSE内在函数不同，这不会直接映射到单个SSE指令 - 在这种情况下它会生成大量的标量代码。引擎盖，并使数据在存储器，通用寄存器和SSE寄存器之间移动。相反，请考虑使用适当的SSE shuffle内在函数。

第二个问题是，相对于加载和存储的数量，您的计算量非常小。这将导致代码受带宽限制而非计算限制，即使使用理想的SSE代码，您也可能看不到显着的性能提升。考虑在循环中组合更多操作，以便在缓存中对数据执行更多操作。

使用sse内在函数最快50％缩放（A）RGB32图像

3 个答案: