问题标签 [sse]

我正在使用 Core2Duo 处理器（编译器 gcc 4.4.1）中可用的 SSE 扩展。我看到有 16 个寄存器可用，每个寄存器都是 128 位长。现在，我可以在一个寄存器中容纳 4 个整数值，在另一个寄存器中容纳 4 个整数值，并且使用内在函数我可以将它们添加到一条指令中。明显的优势是这种方式我只需要 1 条指令而不是 4 条指令。

我的问题是“这就是 SIMD 的全部内容吗？”。让我有 a1、a2、a3、a4、a5、a6、a7、a8 和 b1、b2、b3、b4、b5、b6、b7、b8。令 A1、A2 为向量寄存器。现在，A1 <<< (a1, a2, a3, a4) 和 B1 <<< (b1, b2, b3, b4) 和 add (A1, B1) 将执行向量加法。

令 A2 <<< (a5, a6, a7, a8), B2 <<< (b5, b6, b7, b8)。是否有可以同时执行 add(A1, B1) 和 add(A2, B2) 的添加指令。

core2duo 中有多少向量功能单元可用，我在哪里可以获得这些信息？

高度赞赏与这些相关的任何其他信息来源。

我正在尝试 g++ 内联汇编和 sse 并编写了第一个程序。它出现段错误 - 为什么？

为什么 gdb 不允许我单步执行汇编指令？我需要在每一行周围写 asm ("..") 吗？

我在（我认为）支持它的硬件上使用 SSE4.1 内在函数时遇到了一些麻烦。谁能告诉我我是否错过了什么？

在 MacBookPro5,4 (Penryn) 上构建以下代码：

生成以下错误：

如果可能，我想使用 SSE 指令优化以下代码段：

这可能吗？

一般来说，我在“网上”遇到的所有与 SSE/MMX 相关的东西都是作为向量和矩阵的数学东西出现的。但是，我正在寻找 SSE 优化的“标准函数”库，例如Agner Fog提供的库，或者 GCC 中一些基于 SSE 的字符串扫描算法。

作为一个快速的一般纲要：这些将是 memset、memcpy、strstr、memcmp BSR/BSF 之类的东西，即从 SSE 指令构建的 stdlib-esque

我希望它们使用内在函数而不是汇编用于 SSE1（正式 MMX2），但两者都可以。希望这不是太广泛的范围。

更新 1

经过一番搜索，我发现了一些有前途的东西，一个图书馆引起了我的注意：

• LibFreeVec：似乎只有 mac/IBM（由于基于 AltiVec），因此用处不大（对我来说），而且我似乎找不到直接下载链接，也没有说明支持的最低 SSE 版本

我还看到了一篇关于一些向量化字符串函数（strlen、strstr strcmp）的文章。但是 SSE4.2 是我无法企及的（如前所述，我想坚持使用 SSE1/MMX）。

更新 2

Paul R 激励我做一些基准测试，不幸的是，由于我的 SSE 汇编编码经验接近 zip，我使用了别人的 ( http://www.mindcontrol.org/~hplus/ ) 基准代码并添加到它。所有测试（不包括原始版本，即 VC6 SP5）都在 VC9 SP1 下编译，并具有完整/自定义优化/arch:SSE等。

第一个测试是我的一台家用机器（AMD Sempron 2200+ 512mb DDR 333），上限为 SSE1（因此 MSVC memcpy 没有矢量化）：

完整的测试

第二批测试是在大学工作站上完成的（Intel E6550、2.33Ghz、2gb DDR2 800？）

完整的测试

可以看出，SSE 在我的家庭系统上非常快，但落在 intel 机器上（可能是由于编码错误？）。我的 x86 汇编变体在我的家用机器上排在第二位，在英特尔系统上排在第二位（但结果看起来有点不一致，一个拥抱块它主导了 SSE1 版本）。MSVC memcpy 赢得了英特尔系统测试的胜利，这是由于 SSE2 矢量化，但在我的家用机器上，它惨遭失败，即使是可怕的__movsd击败它......

陷阱：内存是 2 的所有对齐幂。缓存（希望）被刷新。rdtsc 用于计时。

兴趣点：MSVC 有一个（未在任何参考中列出）__movsd内在函数，它输出与我正在使用的相同的汇编代码，但它失败得很惨（即使是内联的！）。这可能就是它未上市的原因。

VC9 memcpy 可以在我的非 sse 2 机器上强制向量化，但是它会破坏 FPU 堆栈，它似乎也有一个错误。

这是我用来测试的全部来源（包括我的改动，再次感谢http://www.mindcontrol.org/~hplus/的原始版本）。项目文件的二进制文件可应要求提供。

总之，似乎一个切换变体可能是最好的，类似于 MSVC crt 一个，只有更多的选项和单一的一次性检查（通过内联函数指针？或者像内部直接调用这样更狡猾的东西）更加坚固补丁），但是内联可能不得不使用最佳案例方法

更新 3

Eshan 提出的一个问题提醒了一些有用的和与此相关的东西，虽然BitMagic仅适用于位集和位操作，但对大型位集非常有用，它甚至还有一篇关于SSE2（位）优化的好文章。不幸的是，这仍然不是 CRT/stdlib esque 类型库。似乎这些项目中的大多数都致力于特定的一小部分（问题）。

这就提出了一个问题，是否值得创建一个开源的、可能是多平台性能的 crt/stdlib 项目，创建各种版本的标准化函数，每个版本都针对特定情况进行了优化，以及“最佳情况” '/该函数的通用变体，具有标量/MMX/SSE/SSE2+（à la MSVC）的运行时分支或强制编译时标量/SIMD 开关。

这对于 HPC 或每一点性能都很重要的项目（如游戏）很有用，使程序员不必担心内置函数的速度，只需进行少量调整即可找到最佳优化变体。

更新 4

我认为应该扩展这个问题的性质，包括可以使用 SSE/MMX 来优化非向量/矩阵应用程序的技术，这也可能用于 32/64 位标量代码。一个很好的例子是如何使用标量技术（位操作）、MMX 和 SSE/SIMD 立即检查给定的 32/64/128/256 位数据类型中是否出现字节

另外，我看到很多“只使用 ICC”的答案，这是一个很好的答案，这不是我的答案，因为首先，ICC 不是我可以持续使用的东西（除非英特尔有免费的学生版对于windows），由于 30 试用。其次，更重要的是，我不仅关注库本身，还关注用于优化/创建它们包含的功能的技术，以供我个人改进和改进，因此我可以将这些技术和原则应用于我自己的代码（如果需要），结合使用这些库。希望这可以清除那部分:)

嘿！

我需要在 c 中优化一些矩阵乘法代码，并且我正在使用 SSE 向量指令进行操作。我还发现存在 SSE4.1 已经有针对点积 dpps 的指令。

问题是在这个软件应该工作的机器上安装了一个旧版本的 gcc (4.1.2)，它不支持 SSE4.1，但它有一个支持它的处理器（不要问我为什么gcc 版本比处理器旧...）。所以我不能使用 _mm_dp_ps 函数。

我正在尝试向 c 添加一些汇编代码。问题是我以前从未使用过汇编代码，所以真的很混乱。在汇编程序中编写所有处理向量指令的代码是否更有效？

所以我在这里问是否还有其他方法可以使用 dpps 指令，是否值得使用？

我对 SSE 很陌生，并且使用内在函数优化了一段代码。我对操作本身很满意，但我正在寻找一种更好的方法来编写结果。结果以三个_m128i变量结束。

我想要做的是将结果值中的特定字节存储到非连续的内存位置。我目前正在这样做：

其中y、cb和cr是字节 ( unsigned char) 数组。由于我无法定义的原因，这对我来说似乎是错误的。有人对更好的方法有任何建议吗？

谢谢！

如何使用 SSE3 指令集并行化我的 F# 程序？F# 编译器是否支持它？

我正在使用 VC++2010 中的以下设置编译一些代码： /O2 /Ob2 /Oi /Ot

但是我在理解生成的程序集的某些部分时遇到了一些麻烦，我在代码中提出了一些问题作为注释。

另外，现代cpus一般推荐什么预取距离？我可以在我自己的 cpu 上进行测试，但我希望有一些值可以在更广泛的 cpu 上运行良好。也许可以使用动态预取距离？

<--编辑：

我感到惊讶的另一件事是编译器不会以某种形式交错 movdqa 和 movntdq 指令？因为这些指令在某种意义上与我的理解是异步的。

这段代码在预取时也假设有 32 字节的缓存线，但是似乎高端 cpu 有 64 字节的缓存线，所以可能会删除 2 个预取。

-->

原始代码：

我想使用 SIMD（SSE2 等）优化以下功能：

这似乎是一个非常可矢量化的任务，除了所需的指令不存在......

我们可以假设 N 非常大（10^12 到 10^18）并且 size~sqrt(N)。我们还可以假设 p 只能取 -1、0 和 1 的值；所以我们不需要真正的乘法，(N/i)*p[i] 可以用四个指令（pcmpgt、pxor、psub、pand）来完成，如果我们能以某种方式计算 N/i。