使用SSE將4個浮點數乘以4個浮點數的最有效方法是什么？

Question

我目前有以下代碼：

float a[4] = { 10, 20, 30, 40 };
float b[4] = { 0.1, 0.1, 0.1, 0.1 };
asm volatile("movups (%0), %%xmm0\n\t"
             "mulps (%1), %%xmm0\n\t"             
             "movups %%xmm0, (%1)"             
             :: "r" (a), "r" (b));

我首先要問幾個問題：

（1）如果我要在16字節邊界上對齊數組，它甚至可以工作嗎？ 由於數組是在堆棧上分配的，因此對齊它們幾乎是不可能的嗎？

看到這篇文章的選定答案： 堆棧變量是否由GCC __attribute __（（aligned（x）））對齊？

（2）代碼是否可以重構以提高效率？ 如果我將兩個浮點數組都放在寄存器而不只是一個？

謝謝

Answer 1

用C寫，用

gcc -S -mssse3

如果你有一個相當新版本的gcc。

Answer 2

GCC是否支持__m128數據類型？ 如果是這樣，那是保證16字節對齊數據類型的最佳計划。 盡管如此，還是有__attribute__((aligned(16)))來對齊事物。 按如下方式定義數組

float a[4] __attribute__((aligned(16))) = { 10, 20, 30, 40 };
float b[4] __attribute__((aligned(16))) = { 0.1, 0.1, 0.1, 0.1 };

然后使用movaps而不是:)

Answer 3

如果我想在16字節邊界上對齊數組，它甚至可以工作嗎？ 由於數組是在堆棧上分配的，因此對齊它們幾乎是不可能的嗎？

要求堆棧上的對齊有效。 否則內在函數不起作用。 我猜你引用的帖子與他為對齊值選擇的過高價值有關。

到2：

不，性能不應該有差異。 有關多個處理器的指令時序，請參閱此站點 。

---

堆棧變量的對齊方式如何工作：

push    ebp
mov ebp, esp
and esp, -16                ; fffffff0H
sub esp, 200                ; 000000c8H

並將堆棧的開頭與16字節對齊。

Answer 4

（1）如果我想在16字節邊界上對齊數組，它甚至可以工作嗎？ 由於數組是在堆棧上分配的，因此對齊它們幾乎是不可能的嗎？

不，使用and對齊堆棧指針非常簡單：

and esp, 0xFFFFFFF0 ; aligned on a 16-byte boundary

但是你應該使用GCC提供的內容，例如16字節類型或__attribute__來自定義對齊。

Answer 5

使用內在更快，特別是在優化時。 我寫了簡單的測試並比較兩個版本（asm和內在）

unsigned long long time1;
__m128 a1,b1;


a1=_mm_set_ps(10, 20,30,40);
b1=_mm_set_ps(0.1, 0.1, 0.1, 0.1);
float a[4] = { 10, 20, 30, 40 };
float b[4] = { 0.1, 0.1, 0.1, 0.1 };

time1=__rdtsc();
a1=_mm_mul_ps(a1,b1);
time1=__rdtsc() - time1 ;
printf("Time: %llu\n",time1);


time1=__rdtsc();
asm volatile("movups (%0), %%xmm0\n\t"
                 "mulps (%1), %%xmm0\n\t"
                 "movups %%xmm0, (%1)"
                 :: "r" (a), "r" (b));
time1=__rdtsc() - time1 ;
printf("Time: %llu\n",time1);

內部版本50-60處理器時間戳Asm Version~1000 proc時間戳

您可以在您的機器上進行測試

Answer 6

關於重構。 你可以使用內在的。 例：

#include <emmintrin.h>

int main(void)
{
    __m128 a1,b1;

    a1=_mm_set_ps(10, 20,30,40);
    b1=_mm_set_ps(0.1, 0.1, 0.1, 0.1);

    a1=_mm_mul_ps(a1,b1);

    return 0;
}

使用優化gcc（ -O2 ， -O3 ），它可能比asm工作得更快。