在 64 位處理器上交換 4 個 16 位整數的最有效方法是什么？

Question

我有四個分別命名為 a,b,c,d 的 uint16，現在我想像這樣交換它們：

void swap4(uint16_t &a, uint16_t &b, uint16_t &c, uint16_t &d) {
    uint16_t temp = a;
    a = b;
    b = c;
    c = d;
    d = temp;
}

我能做些什么來加快這個過程嗎？

Answer 1

在 C++ 這是

void swap4(uint16_t &a, uint16_t &b, uint16_t &c, uint16_t &d) {
    std::tie(a, b, c, d) = std::make_tuple(b, c, d, a);
}

Answer 2

如前所述，首先確保這確實是一個瓶頸：大多數編譯器應該為此生成有效的代碼（除非參數之間存在別名的可能性）。

如果碰巧這些 16 位值連續存儲在 memory 中（例如，這是一個四元素向量），那么 (a) 確保它們在右邊界上對齊，並且 (b) 您可以使用 CPU 的 shuffle操作說明。 這是您的編譯器可能會或可能不會自行識別的優化，在您進一步使用 go 之前； 檢查編譯器的匯編輸出； 帶有 -O2 的現代 GCC 實際上會自動識別這種簡化（ https://godbolt.org/z/qo1jxnbds ）。

如果你真的想手動滾動，GCC 為此提供了一個可移植的 __builtin_shuffle 宏； 對於您的用例，您可以編寫

typedef uint16_t quadword __attribute__ ((vector_size (8)));
quadword input = {a, b, c, d};
const quadword rotate_mask = {1, 2, 3, 0};
quadword output = __builtin_shuffle (input, rotate_mask);

（您可能不想完全寫出來，而是將您的數據重新轉換為這些四字類型的數組——請參閱上面的編譯器資源管理器鏈接以獲取示例。）

For x86 the underlying instruction generated by this macro is pshufb/pshufw, which (if you're not on GCC, or don't want to be portable) you could access with the _mm_shuffle_pi16 intrinsic ( https://www.intel.com /content/www/us/en/docs/intrinsics-guide/index.html#text=shuffle&techs=MMX,SSE&ig_expand=6426 ）。 每個現代 RISC 架構都提供類似的東西。

Answer 3

好吧，應該將代碼原樣編譯為匯編指令的最佳序列，假設最低優化級別。 也就是說，如果允許別名，否則請參閱273k之前加載所有值而不是全部寫入。

但是它太短了，而且有太多的間接性，這並不是所有優化潛力的所在。

內聯和優化產生的更大的塊會產生更大的影響。 此外，它將允許編譯器查看是否發生了別名。

好消息是，如果您允許編譯器，它將完成這項工作，這要歸功於 lto、whole-program-optimization 等（因此取決於正確調用編譯器），或者定義在同一個 TU 中調用（可能需要將其作為內聯函數放入 header，或將其標記為靜態）。