爲什麼這比memcmp慢

Question

我想比較兩行pixel s。

A pixel被定義爲包含4個值（RGBA）的struct。

我不使用memcmp的原因是因爲我需要返回第一個不同像素的位置，而不是memcmp。

我的第一個實現使用SSE內部函數，並且是〜比memcmp慢30％：

inline int PixelMemCmp(const Pixel* a, const Pixel* b, int count) 
{ 
    for (int i = 0; i < count; i++) 
    { 
     __m128 x = _mm_load_ps((float*)(a + i)); 
     __m128 y = _mm_load_ps((float*)(b + i)); 
     __m128 cmp = _mm_cmpeq_ps(x, y); 
     if (_mm_movemask_ps(cmp) != 15) return i; 
    } 
    return -1; 
} 

然後我發現，治療的價值觀爲整數，而不是浮點數加快了一點東西，只有現在〜比memcmp慢20％。

inline int PixelMemCmp(const Pixel* a, const Pixel* b, int count) 
{ 
    for (int i = 0; i < count; i++) 
    { 
     __m128i x = _mm_load_si128((__m128i*)(a + i)); 
     __m128i y = _mm_load_si128((__m128i*)(b + i)); 
     __m128i cmp = _mm_cmpeq_epi32(x, y); 
     if (_mm_movemask_epi8(cmp) != 0xffff) return i; 
    } 
    return -1; 
} 

從我讀過關於其他問題的memcmp的MS執行使用SSE也可以實現。我的問題是MS實施有什麼其他的技巧，我不知道它的袖子？即使它進行逐字節比較，它又如何更快？

對齊是一個問題嗎？如果pixel包含4個浮點數，那麼在16字節邊界上是否已經分配了一個像素數組？

我在編譯/o2和所有的優化標誌。

Answer 1

我寫的strcmp/memcmp優化與SSE（！和MMX /支持3DNow），而第一步就是要確保陣列儘可能一致 - 你會發現，你所要做的第一和/或最後字節「一次一個」。

如果您可以在數據進入循環之前對齊數據[如果您的代碼執行了分配]，那麼這很理想。

第二部分是展開循環，所以你不會得到那麼多的「如果循環不在最後，跳回循環開始」 - 假設循環很長。

您可能會發現，在執行「我們現在離開」條件之前預加載下一個輸入數據也會有所幫助。

編輯：最後一段可能需要一個例子。此代碼假定至少有兩個展開循環：

__m128i x = _mm_load_si128((__m128i*)(a)); 
__m128i y = _mm_load_si128((__m128i*)(b)); 

for(int i = 0; i < count; i+=2) 
{ 
    __m128i cmp = _mm_cmpeq_epi32(x, y); 

    __m128i x1 = _mm_load_si128((__m128i*)(a + i + 1)); 
    __m128i y1 = _mm_load_si128((__m128i*)(b + i + 1)); 

    if (_mm_movemask_epi8(cmp) != 0xffff) return i; 
    cmp = _mm_cmpeq_epi32(x1, y1); 
    __m128i x = _mm_load_si128((__m128i*)(a + i + 2)); 
    __m128i y = _mm_load_si128((__m128i*)(b + i + 2)); 
    if (_mm_movemask_epi8(cmp) != 0xffff) return i + 1; 
} 

大致類似的東西。

Answer 2

因爲我使用的是Mac，我不能幫你直接，但有一個簡單的方法來弄清發生了什麼：

你只要踏入的memcpy在調試模式，並切換到反彙編視圖。由於memcpy是一個簡單的小函數，因此您可以輕鬆找出所有實現技巧。

Answer 3

你可能要檢查這個memcmp SSE implementation，特別是__sse_memcmp功能，它與一些理智的檢查開始，然後如果指針對準或沒有檢查：

aligned_a = ((unsigned long)a & (sizeof(__m128i)-1)); 
aligned_b = ((unsigned long)b & (sizeof(__m128i)-1)); 

如果他們不對準它進行比較指針逐字節直到對齊地址的開始：

while(len && ((unsigned long) a & (sizeof(__m128i)-1))) 
{ 
    if(*a++ != *b++) return -1; 
    --len; 
} 

然後比較類似於你的代碼的SSE指令的剩餘內存：

if(!len) return 0; 
while(len && !(len & 7)) 
{ 
__m128i x = _mm_load_si128((__m128i*)&a[i]); 
__m128i y = _mm_load_si128((__m128i*)&b[i]); 
....