如何将此代码重写为 sse 内在函数

Posted 2023-02-16

【中文标题】如何将此代码重写为 sse 内在函数

【英文标题】：How to rewrite this code to sse intrinsics

【发布时间】：2014-12-06 15:58:22

【问题描述】：

我是 sse 内在函数的新手，希望在使用这个 9 时提供一些提示帮助，因为这对我来说还很模糊）

我得到了这样的代码

for(int k=0; k<=n-4; k+=4) 
  

  int xc0 = 512 + ((idx + k*iddx)>>6); 
  int yc0 = 512 + ((idy + k*iddy)>>6); 

  int xc1 = 512 + ((idx + (k+1)*iddx)>>6); 
  int yc1 = 512 + ((idy + (k+1)*iddy)>>6); 

  int xc2 = 512 + ((idx + (k+2)*iddx)>>6); 
  int yc2 = 512 + ((idy + (k+2)*iddy)>>6); 

  int xc3 = 512 + ((idx + (k+3)*iddx)>>6); 
  int yc3 = 512 + ((idy + (k+3)*iddy)>>6); 

  unsigned color0 =  working_buffer[yc0*working_buffer_size_x + xc0]; 
  unsigned color1 =  working_buffer[yc1*working_buffer_size_x + xc1]; 
  unsigned color2 =  working_buffer[yc2*working_buffer_size_x + xc2]; 
  unsigned color3 =  working_buffer[yc3*working_buffer_size_x + xc3]; 

  int adr = base_adr + k; 

  frame_bitmap[adr]  = color0; 
  frame_bitmap[adr+1]= color1; 
  frame_bitmap[adr+2]= color2; 
  frame_bitmap[adr+3]= color3; 
  

这里的所有内容都是 int/unsigned，这是循环的关键部分，不确定整数 sse 是否有助于提高速度，但想知道它是否可以工作？有人可以帮忙吗？

（我使用mingw32）

【问题讨论】：

您能否对working_buffer 的实际访问模式进行去混淆处理？所以，简单的索引数学。这有点难以解码。我仍然不确定这是“奇怪的聚集”还是可以实际使用的模式。

看起来像“收集”类型的操作，所以你至少需要 AVX2。

working_buffer 是一个无符号颜色的纹理[][] - 数据有 1024 x 1024 虽然可悲的是 working_buffer 低维比 1024 大一点 - 虽然如果非常需要我可以重写一些代码来实现它只是未签名的 texture_bitmap[1024][1024]

xc yc 是纹理中的索引（应仅在 0 到 1023 、 0 到 1023 的纹理区域上运行）这是展开循环，因为展开它即使在标量代码中也可以使其更快；我不希望 sse 有明显的加速，但想习惯如何做这些事情，这对我来说很模糊（尤其是整数 intrisinc）

模式本身是针对给定的像素 i, j，转换为纹理坐标，读取纹理颜色并分配给 frame_bitmap - 尽管整个算法由瓦片 (12x12) 划分，这是瓦片中的 x 线（n 现在是 12，这是一次 4 个像素）

【参考方案1】：

我的sse有点生疏了，但是你应该做的是：

xmm0: [k, k+1, k+2, k+3] //xc0, xc1,....
xmm1: [k, k+1, k+2, k+3] //yc0, yc1,....
//initialize before the loop
xmm2: [512, 512, 512, 512]
xmm3: [idx, idx, idx, idx]
xmm4: [iddx, iddx, iddx, iddx]
xmm5: [idy, idy, idy, idy]
xmm6: [iddy, iddy, iddy, iddy]
xmm7: [working_buffer_size_x, working_buffer_size_x, working_buffer_size_x, working_buffer_size_x]

计算：

xmm0 * xmm4
xmm0 + xmm3
xmm0 >> 6
xmm0 + xmm2

xmm0: [xc0, xc1, xc2, xc3]
///////////////////////////////

xmm1 * xmm6
xmm1 + xmm5
xmm1 >> 6
xmm1 + xmm2

xmm1: [yc0, yc1, yc2, yc3]

xmm1 * xmm7
xmm1 + xmm0

现在xmm1 是：

xmm1: [yc0*working_buffer_size_x + xc0, yc1*working_buffer_size_x + xc1, yc2*working_buffer_size_x + xc2, yc3*working_buffer_size_x + xc3]

您在每个循环（working_buffer、frame_bitmap 数组）中读取和写入内存，这些操作比计算本身慢得多，因此速度提升不会像您预期的那么多。

编辑

您需要 working_buffer 和 frame_bitmap 数组进行对齐和SSE4.1：

#include <emmintrin.h>
#include <smmintrin.h> //SSE4.1

int a[4] __attribute__((aligned(16)));
__m128i xmm0, xmm1, xmm2, xmm3, xmm4, xmm5, xmm6, xmm7;

xmm2 = _mm_set1_epi32(512);
xmm3 = _mm_set1_epi32(idx);
xmm4 = _mm_set1_epi32(iddx);
xmm5 = _mm_set1_epi32(idy);
xmm6 = _mm_set1_epi32(iddy);
xmm7 = _mm_set1_epi32(working_buffer_size_x);

for(k = 0; k <= n - 4; k +=4)
    xmm0 = _mm_set_epi32(k + 3, k + 2, k + 1, k);
    xmm1 = _mm_set_epi32(k + 3, k + 2, k + 1, k);

    //xmm0 * xmm4
    xmm0 = _mm_mullo_epi32(xmm0, xmm4);

    //xmm0 + xmm3
    xmm0 = _mm_add_epi32(xmm0, xmm3);

    //xmm0 >> 6
    xmm0 = _mm_srai_epi32(xmm0, 6);

    //xmm0 + xmm2
    xmm0 = _mm_add_epi32(xmm0, xmm2);



    //xmm1 * xmm6
    xmm1 = _mm_mullo_epi32(xmm1, xmm6);

    //xmm1 + xmm5
    xmm1 = _mm_add_epi32(xmm1, xmm5);

    //xmm1 >> 6
    xmm1 = _mm_srai_epi32(xmm1, 6);

    //xmm1 + xmm2
    xmm1 = _mm_add_epi32(xmm1, xmm2);


    //xmm1 * xmm7
    xmm1 = _mm_mullo_epi32(xmm1, xmm7);
    //xmm1 + xmm0
    xmm1 = _mm_add_epi32(xmm1, xmm0);


    //a[0] = yc0*working_buffer_size_x + xc0
    //a[1] = yc1*working_buffer_size_x + xc1
    //a[2] = yc2*working_buffer_size_x + xc2
    //a[3] = yc3*working_buffer_size_x + xc3
    _mm_store_si128((__m128i *)&a[0], xmm1);

    unsigned color0 =  working_buffer[ a[0] ]; 
    unsigned color1 =  working_buffer[ a[1] ]; 
    unsigned color2 =  working_buffer[ a[2] ]; 
    unsigned color3 =  working_buffer[ a[3] ]; 

    int adr = base_adr + k; 

    frame_bitmap[adr]  = color0; 
    frame_bitmap[adr+1]= color1; 
    frame_bitmap[adr+2]= color2; 
    frame_bitmap[adr+3]= color3; 

您可以通过使用直接操作内存的程序集避免_mm_store_si128((__m128i *)&a[0], xmm1); 或int adr = base_adr + k; 来进一步优化它。

【讨论】：

好吧，我知道这里的速度改进可能并不大（如果有的话，在除法或 sqrt 的情况下会更多）但无论如何我想测试一下，如果一切正常跨度>

ps 这是工作的一部分，也许有人可以继续做下去？我知道的助记符就像 __m128 a128 = _mm_load_ps(a); __m128 b128 = _mm_load_ps(b); __m128 out128 = _mm_div_ps(a128, b128); _mm_store_ps(out, out128);

@user2214913 正如我所说，我确实在几个月前写过内在函数，所以我不记得它们了。但是你的例子很简单。我会看看我能做什么。

非常感谢 - 我会花一些时间来检查它