4

我有一个需要优化的着色器（有很多矢量操作），我正在试验 SSE 指令以便更好地理解问题。

我有一些非常简单的示例代码。通过USE_SSE定义，它使用显式的 SSE 内在函数；没有它，我希望 GCC 会为我完成这项工作。自动矢量化感觉有点挑剔，但我希望它能为我节省一些头发。

编译器和平台是：gcc 4.7.1 (tdm64)，目标 x86_64-w64-mingw32 和 Ivy Bridge 上的 Windows 7。

这是测试代码：

/*
    Include all the SIMD intrinsics.
*/
#ifdef USE_SSE
#include <x86intrin.h>
#endif
#include <cstdio>

#if   defined(__GNUG__) || defined(__clang__) 
    /* GCC & CLANG */

    #define SSVEC_FINLINE __attribute__((always_inline))

#elif defined(_WIN32) && defined(MSC_VER) 
    /* MSVC. */

    #define SSVEC_FINLINE __forceinline

#else
#error Unsupported platform.
#endif


#ifdef USE_SSE

    typedef __m128 vec4f;

    inline void addvec4f(vec4f &a, vec4f const &b)
    {
        a = _mm_add_ps(a, b);
    }

#else

    typedef float vec4f[4];

    inline void addvec4f(vec4f &a, vec4f const &b)
    {
        a[0] = a[0] + b[0];
        a[1] = a[1] + b[1];
        a[2] = a[2] + b[2];
        a[3] = a[3] + b[3];
    }

#endif

int main(int argc, char *argv[])
{
    int const count = 1e7;

    #ifdef USE_SSE
    printf("Using SSE.\n");
    #else
    printf("Not using SSE.\n");
    #endif

    vec4f data = {1.0f, 1.0f, 1.0f, 1.0f};

    for (int i = 0; i < count; ++i)
    {
        vec4f val = {0.1f, 0.1f, 0.1f, 0.1f};
        addvec4f(data, val);
    }

    float result[4] = {0};
    #ifdef USE_SSE
    _mm_store_ps(result, data);
    #else
    result[0] = data[0];
    result[1] = data[1];
    result[2] = data[2];
    result[3] = data[3];
    #endif

    printf("Result: %f %f %f %f\n", result[0], result[1], result[2], result[3]);

    return 0;
}

这是编译的：

g++ -O3 ssetest.cpp -o nossetest.exe
g++ -O3 -DUSE_SSE ssetest.cpp -o ssetest.exe

除了显式 SSE 版本更快一点之外，输出没有区别。

这是循环的程序集，首先是显式 SSE：

.L3:
subl    $1, %eax
addps   %xmm1, %xmm0
jne .L3

它内联了调用。很好，或多或少只是一个直线上升_mm_add_ps。

数组版本：

.L3:
subl    $1, %eax
addss   %xmm0, %xmm1
addss   %xmm0, %xmm2
addss   %xmm0, %xmm3
addss   %xmm0, %xmm4
jne .L3

它正在使用 SSE 数学，但在每个数组成员上。不是很可取。

我的问题是，我怎样才能帮助 GCC 以便它可以更好地优化数组版本vec4f？

任何特定于 Linux 的技巧也很有帮助，这就是真正的代码将运行的地方。

4

2 回答 2

7

这篇LockLess关于使用 gcc 4.7 进行自动矢量化的文章是我见过的最好的文章，我花了一段时间寻找关于类似主题的好文章。他们还有很多其他文章，您可能会发现它们对处理所有低级软件开发方式的类似主题非常有用。

于 2013-03-17T23:06:51.340 回答
5

以下是基于您的代码的一些提示，可以使 gcc 自动矢量化工作：

  • 使循环向上成为 const。为了向量化，GCC 需要将循环拆分 4 次迭代以适应 128 位长度的 SSE XMM 寄存器。一个 const 循环上限将帮助 GCC 确保循环有足够的迭代，并且向量化是有利可图的。

  • 删除inline关键字。如果代码被标记为内联，GCC 无法知道数组的起始点是否对齐，而无需通过-O3.

    因此，要使您的代码矢量化，您的addvec4f函数应修改如下：

    void addvec4f(vec4f &a, vec4f const &b)
{
    int i = 0;
    for(;i < 4; i++)
      a[i] = a[i]+b[i];
}

顺便提一句：

  • GCC 也有一些标志来帮助你确定一个循环是否已经被矢量化。-ftree-vectorizer-verbose=2, 数字越大输出信息越多，目前可以是0, 1, 2. 这是此标志和其他一些相关标志的文档。
  • 小心对齐。bus error数组的地址要对齐，编译器不运行是无法知道地址是否对齐的。一般情况下，如果数据不对齐，就会出现a 。这就是原因。
于 2013-03-19T08:47:50.793 回答