使用SSE內在函數將4點產品存儲到C中的連續數組中的最有效方法

我正在使用SSE內在函數優化用於Intel x86 Nehalem微體系結構的一些代碼。使用SSE內在函數將4點產品存儲到C中的連續數組中的最有效方法

我的程序的一部分計算4點積，並將每個結果添加到數組的連續塊中的先前值。更具體地講，

tmp0 = _mm_dp_ps(A_0m, B_0m, 0xF1); 
tmp1 = _mm_dp_ps(A_1m, B_0m, 0xF2); 
tmp2 = _mm_dp_ps(A_2m, B_0m, 0xF4); 
tmp3 = _mm_dp_ps(A_3m, B_0m, 0xF8); 

tmp0 = _mm_add_ps(tmp0, tmp1); 
tmp0 = _mm_add_ps(tmp0, tmp2); 
tmp0 = _mm_add_ps(tmp0, tmp3); 
tmp0 = _mm_add_ps(tmp0, C_0n); 

_mm_storeu_ps(C_2, tmp0);

請注意，我用4個臨時XMM要對這個寄存器來保存每個點積的結果。在每個xmm寄存器中，該結果被置入一個唯一的32個比特相對於另一個臨時XMM寄存器，使得最終結果看起來像這樣：

TMP0 = R0-零零零

TMP1 =零-R1-零零

TMP2 =零零-R2-零

TMP3 =零零零R3

我通過包含在每個變量TMP的值組合成一個XMM可變請按照以下說明對其進行總結：

tmp0 = _mm_add_ps(tmp0, tmp1); 
tmp0 = _mm_add_ps(tmp0, tmp2); 
tmp0 = _mm_add_ps(tmp0, tmp3);

最後，我添加含所有4個結果的點的產品，以陣列的連續的部分，使得該陣列的索引是由點積增加，像這樣的寄存器（C_0n是4個值目前在要更新的數組; C_2是指向這4個值）地址：我想知道是否有采取點產品的結果，並把它們添加到的連續的大塊不太迂迴的，更有效的方式

tmp0 = _mm_add_ps(tmp0, C_0n); 
_mm_storeu_ps(C_2, tmp0);

陣列。這樣，我在兩個只有1個非零值的寄存器之間進行了3次添加。似乎應該有一個更有效的方法來解決這個問題。

我感謝所有幫助。謝謝。

來源

2010-11-13 Sam

對於這樣的代碼，我喜歡存儲A和B的「轉置」，以便{A_0m.x，A_1m.x，A_2m.x，A_3m.x}存儲在一個向量中等。然後，您可以使用乘積和增加來完成點積，當完成後，您可以將一個向量中的所有4點產品都不帶任何混洗。

這經常用於光線追蹤，以便一次對着一個平面測試4條光線（例如，當遍歷kd-tree時）。但是，如果您無法控制輸入數據，那麼執行轉置的開銷可能不值得。該代碼也將運行在SSE4之前的機器上，儘管這可能不是問題。

現有一小段代碼效率注：代替這個

tmp0 = _mm_add_ps(tmp0, tmp1); 
tmp0 = _mm_add_ps(tmp0, tmp2); 
tmp0 = _mm_add_ps(tmp0, tmp3); 
tmp0 = _mm_add_ps(tmp0, C_0n);

可能稍微好一點的要做到這一點：

tmp0 = _mm_add_ps(tmp0, tmp1); // 0 + 1 -> 0 
tmp2 = _mm_add_ps(tmp2, tmp3); // 2 + 3 -> 2 
tmp0 = _mm_add_ps(tmp0, tmp2); // 0 + 2 -> 0 
tmp0 = _mm_add_ps(tmp0, C_0n);

由於前兩個mm_add_ps的是現在完全獨立。此外，我不知道添加與洗牌的相對時間，但可能稍微快一點。

希望有所幫助。

來源

2010-11-13 09:12:49 celion

您可以嘗試將點積結果留在低位字中，並使用標量存儲操作_mm_store_ss將每個m128寄存器中的一個浮點數保存到數組的相應位置。 Nehalem的存儲緩衝區應該在同一行上累積連續寫入，並批量刷新到L1。

親方式做它是celion的轉置方法。 MSVC的_MM_TRANSPOSE4_PS宏將爲您做轉置。

來源

2010-11-13 09:29:01 Crashworks

您仍然必須在存儲之前將舊值（C_0n）添加到每個點積。他們都是獨立的，所以它可能不會太慢，但它不會更漂亮:) – celion 2010-11-13 09:37:27

也可以使用SSE3哈德。結果比使用_dot_ps更快，在一些簡單的測試中。這將返回可添加的4點產品。

static inline __m128 dot_p(const __m128 x, const __m128 y[4]) 
{ 
    __m128 z[4]; 

    z[0] = x * y[0]; 
    z[1] = x * y[1]; 
    z[2] = x * y[2]; 
    z[3] = x * y[3]; 
    z[0] = _mm_hadd_ps(z[0], z[1]); 
    z[2] = _mm_hadd_ps(z[2], z[3]); 
    z[0] = _mm_hadd_ps(z[0], z[2]); 

    return z[0]; 
}

來源

2010-12-17 11:03:40 Maister

我意識到這個問題是舊的，但爲什麼使用_mm_add_ps呢？將其替換爲：

tmp0 = _mm_or_ps(tmp0, tmp1); 
tmp2 = _mm_or_ps(tmp2, tmp3); 
tmp0 = _mm_or_ps(tmp0, tmp2);

您可能會隱藏一些_mm_dp_ps延遲。第一個_mm_or_ps不等待最後的2點產品，並且它是（快速）按位操作。最後：

_mm_storeu_ps(C_2, _mm_add_ps(tmp0, C_0));

來源

2012-12-22 00:41:44

使用SSE內在函數將4點產品存儲到C中的連續數組中的最有效方法

回答

相關問題