问题标签 [sse2]

我有这个函数，它使用 SSE2 将一些值加在一起，它应该将 lhs 和 rhs 加在一起并将结果存储回 lhs：

我的代码使用这样的函数：

但是这不起作用，因为当代码运行时它输出 1,2,3,4 而不是 2,4,6,8

其实我有2个问题：

1. SSE2 兼容性是 CPU 问题还是编译器问题？
2. 如何检查您的 CPU 或编译器是否支持 SSE2？

我正在使用 GCC 版本：

当我尝试编译代码时，它给了我这个错误：

并cpuinfo展示了这一点：

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？

上面提到的代码在我的程序中被多次调用（profiler 显示 98%）。

编辑：在内部循环中， res1[i + k] 值会为相同的 (i + k) 值加载多次。我在 while 循环中尝试了这个，我将所有 res1 值加载到 simd 寄存器（数组）中，并在最里面的 for 循环中使用数组元素来更新数组元素。完成两个 for 循环后，我将数组值存储回 res1、re2。但是计算时间随之增加。知道我哪里错了吗？这个想法似乎是正确的

欢迎任何使它更快的建议。

我刚刚尝试优化 RGB 到 YUV420 转换器。使用查找表可以提高速度，使用定点算法也是如此。但是，我期待使用 SSE 指令获得真正的收益。我第一次尝试导致代码变慢，在链接所有操作之后，它的速度与原始代码大致相同。我的实现是否有问题，或者 SSE 指令不适合手头的任务？

一段原始代码如下：

这是使用 SSE 的版本

这是我在 SSE2 的第一次尝试，所以也许我错过了什么？仅供参考，我正在使用 Visual Studio 2008 在 Windows 平台上工作。

我有一个简单的图像处理相关算法。简而言之，将浮点图像（平均值）减去 8 位图像，然后将结果保存到浮点图像（目标）

该函数主要由内部函数编写。

我曾尝试使用 TBB、parrallel_for 优化此功能，但我没有收到速度上的提升，而是受到了惩罚。

我应该怎么办 ？我应该使用更底层的方案，例如 TBB 任务来优化代码吗？

我正在尝试执行从 YCbCr 到 BGRA 的图像颜色转换（不要问 A 位，真让人头疼）。

无论如何，这需要尽可能快地执行，所以我使用编译器内在函数编写它以利用 SSE2。这是我第一次进入 SIMD 领域，我基本上是一个初学者，所以我确信我做的很多事情都是低效的。

我进行实际颜色转换的算术代码结果特别慢，英特尔的 VTune 将其显示为一个重要的瓶颈。

那么，有什么办法可以加快以下代码的速度？它以 32 位、一次 4 个像素完成。我最初尝试以 8 位，一次 16 个像素（如在上面的循环中），但计算导致整数溢出和转换中断。整个过程，包括英特尔 jpeg 解码，单个全高清场需要约 14 毫秒。如果我能把它降低到至少 12 毫秒，最好是 10 毫秒，那就太好了。

非常感谢任何帮助或提示。谢谢！

我必须使用 sse/sse2 实现矩阵向量乘法。向量和矩阵很大。矩阵是双精度的，向量是浮点数。

关键是我必须对浮点数进行所有计算 - 当我从矩阵获取数据时，我将其提升为浮点数，进行计算并获得浮点向量（稍后在对浮点数进行一些额外计算之后，我必须添加一些浮点值（浮点数）矩阵）到双值（双矩阵）。

我的问题是如何使用 SSE/SSE2 来做到这一点 - 问题在于双精度 - 我有指向 double* 的指针，我必须以某种方式将 4 个双精度转换为 4 个浮点以适应 __mm128 ... ?