vectorization - _mm_broadcast_ss 是否比 _mm_set1_ps 快？

Question

这是代码吗

float a = ...;
__m256 b = _mm_broadcast_ss(&a)

总是比这段代码快

float a = ...;
_mm_set1_ps(a)

?

如果a定义为static const float a = ...而不是float a = ...呢？

Answer 1

_mm_broadcast_ss 具有架构强加的弱点，这些弱点在很大程度上被mm SSE API 隐藏。最重要的区别如下：

• _mm_broadcast_ss 仅限于从内存中加载值。

这意味着如果您在源不在内存中的情况下显式使用 _mm_broadcast_ss，那么结果可能会比使用 _mm_set1_ps 的效率低。这种情况通常发生在加载立即值（常量）或使用最近计算的结果时。在这些情况下，编译器会将结果映射到寄存器。要将值用于广播，编译器必须将值转储回内存。或者，可以使用 pshufd 直接从寄存器中弹出。

_mm_set1_ps 是实现定义的，而不是映射到特定的底层 cpu 操作（指令）。这意味着它可能会使用几个 SSE 指令之一来执行 splat。启用了 AVX 支持的智能编译器绝对应该在适当的时候在内部使用 vbroadcastss，但这取决于编译器优化器的 AVX 实现状态。

如果您非常确信您是从内存加载的——例如迭代数据数组——那么直接使用广播就可以了。但如果有任何疑问，我建议坚持使用 _mm_set1_ps。

在 a 的特定情况下static const float，您绝对希望避免使用 _mm_broadcast_ss()。

Answer 2

如果您以 AVX 指令集为目标，gcc 将使用 VBROADCASTSS 来实现 _mm_set1_ps 内在函数。然而，Clang 将使用两条指令（VMOVSS + VPSHUFD）。

Answer 3

mm_broadcast_ss 可能比 mm_set1_ps 快。前者转换为单条指令 (VBROADCASTSS)，而后者则使用多条指令进行仿真（可能是 MOVSS，然后是 shuffle）。但是，mm_broadcast_ss 需要 AVX 指令集，而 mm_set1_ps 只需要 SSE。