问题标签 [simd]

在 ARM Cortex-A8 处理器中，我了解 NEON 是什么，它是一个 SIMD 协处理器。

但是VFP（Vector Floating Point）单元，它也是一个协处理器，是否可以作为一个SIMD处理器工作？如果是这样，哪个更好用？

我读了一些链接，例如-

1. 链接1

2. 链接2。

但并不是很清楚它们的含义。他们说 VFP 从未打算用于 SIMD，但在Wiki上我读到以下内容 - “ VFP 架构还支持执行短向量指令，但这些指令按顺序对每个向量元素进行操作，因此不提供真正的 SIMD 的性能（单指令多数据）并行性。 ”

不太清楚该相信什么，有人可以详细说明这个话题吗？

我试图将两个向量相乘，其中一个向量的每个元素乘以另一个向量的相同索引中的元素。然后我想对结果向量的所有元素求和以获得一个数字。例如，向量 {1,2,3,4} 和 {5,6,7,8} 的计算如下所示：

本质上，我正在取两个向量的点积。我知道有一个 SSE 命令可以执行此操作，但该命令没有与之关联的内在函数。此时，我不想在我的 C 代码中编写内联汇编，所以我只想使用内部函数。这似乎是一个常见的计算，所以我对自己在谷歌上找不到答案感到惊讶。

注意：我正在针对支持 SSE 4.2 的特定微架构进行优化。

我正在使用 SSE 内在函数为 Intel x86 Nehalem 微架构优化一些代码。

我的程序的一部分计算 4 个点积，并将每个结果添加到数组的连续块中的先前值。进一步来说，

请注意，我将使用 4 个临时 xmm 寄存器来保存每个点积的结果。在每个 xmm 寄存器中，相对于其他临时 xmm 寄存器，结果被放入一个唯一的 32 位中，因此最终结果如下所示：

tmp0= R0-零-零-零

tmp1= 零-R1-零-零

tmp2= 零-零-R2-零

tmp3=零-零-零-R3

我将每个 tmp 变量中包含的值合并为一个 xmm 变量，方法是使用以下指令将它们相加：

最后，我将包含点积的所有 4 个结果的寄存器添加到数组的连续部分，以便数组的索引按点积递增，就像这样（C_0n 是数组中当前要更新的 4 个值; C_2 是指向这4个值的地址）：

我想知道是否有一种不那么迂回、更有效的方法来获取点积的结果并将它们添加到数组的连续块中。这样，我在其中只有 1 个非零值的寄存器之间进行了 3 次加法。似乎应该有一种更有效的方法来解决这个问题。

我感谢所有帮助。谢谢你。

我想知道是否可以使用 SSE (1,2,3,4,...) 来优化以下循环：

该[j*size + k]成语用于将内存块视为多维数组。

遗憾的是-ftree-vectorize，GCC (4.5) 的标志不相信循环适合 SIMD 类型的优化。-ftree-vectorize（尽管我说除了最琐碎的循环之外，我从未见过优化任何东西。）

虽然我知道还有许多其他方法可以提高循环的性能（OpenMP、展开、就地算法等），但我特别想知道是否可以使用 SIMD。我可能更感兴趣的是如何（如果有的话）这样的循环可以被转换的总体轮廓，而不是具体的实现。

让我以此作为开场白。我在 ASM 方面的经验非常有限，在 SIMD 方面的经验更是少之又少。

但碰巧我有以下 MMX/SSE 优化代码，我想移植到 AltiVec 指令以在 PPC/Cell 处理器上使用。

这可能是一个很大的问题。尽管它只有几行代码，但我在试图弄清楚这里发生的事情时遇到了无穷无尽的麻烦。

原函数：

关于如何重写它以使用 AltiVec 指令的任何提示？

我的第一次尝试（一次非常错误的尝试）看起来像这样。但它并不完全（甚至是远程）正确。

我正在尝试使用 SSE 内在函数优化我的代码，但遇到了一个问题，在我完成 SSE 内在函数操作以获得我想要的内容后，我不知道从向量中提取整数值的好方法。

有谁知道这样做的好方法？我正在用 C 编程，我的编译器是 gcc 版本 4.3.2。

感谢你的帮助。

有人知道针对浮点值向量实现 vec_msum 功能的方法吗？

我对 SIMD 很陌生，虽然我认为我开始理解它了 - 仍然有一些谜题。

我的最终目标是重写函数“convolve_altivec”（在这个问题的接受答案中找到），以便它接受输入参数作为浮点值，而不是短值。

也就是说，原型应该是

我正在尝试匹配以下原始非优化功能提供的功能：

我最初的努力是尝试将相同功能的现有 SSE 版本移植到 altivec 指令。

我在 SSE2 中使用以下联合声明。

这个想法是为每个 a 和 b 分配两个无符号长变量（64 位长），对它们进行异或并将结果放在 c 中。

显式赋值 ( a.data[0] = something) 在这里有效，但需要更多时间。

我打算使用内在函数。如果我使用_mm_set_epi64 (unsigned long x, unsigned long y)，它会要求__m64变量。如果我转换这些变量(__m64)x并且它工作正常，但它给出了错误的结果。

上面的代码给出了错误：

您能否建议一些替代方案（内在）？

elma并且elmc都是unsigned long数组。res1和 也是如此res2。

在 for 循环中包含元素 XOR 的非 simd 和 simd 版本。第二个 for 循环中的前两行执行显式 XOR，而其余行实现相同操作的 simd 版本。

此循环从外部调用数百次，因此优化此循环将有助于减少总计算时间。

问题是 simd 代码的运行速度比标量代码慢很多倍。

编辑：完成部分展开

但是，结果并没有太大变化；它仍然需要两倍的标量代码。

以下循环执行了数百次。
elma and elmc are both unsigned long (64-bit) arrays, so is res1 and res2.

在 for 循环中，标量版本的代码（已注释）运行速度是 simd 代码的两倍。下面提到了上述行的 cachegrind 输出（指令读取）。

行1：668,460,000 2 2
行2：668,460,000 1 1 1
行3：89,985,000 1 1 1 1
行4：89,985,000 1 1 1 1
行5：617,040,000 2 2行2
行6：44,992,500 0 0 0 0 LINE 0
LINE 7：44,992,500 0 0
LINE LINE LINE 8：44,992,500 0
LINE ： : 128,550,000 0 0
第 10 行: . . .
第 11 行：205,680,000 0 0
第 12 行：205,680,000 0 0

从上图中可以看出，注释（标量代码）所需的指令数量明显少于 simd 代码。

如何使这段代码更快？