问题标签 [sse]

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。

我试图了解如何使用 SSE 进行转换，但我不明白 gdb 给我的输出。使用 SSE4 我有一个 128 位向量，其中包含 8 个 16 位无符号整数（使用uint16_t）。然后我使用内在函数_mm_cmpgt_epi16将它们与某个值进行比较，该函数将所有 0 或 1 位放入用于存储整数的位中。到目前为止一切顺利，使用 gdb 我得到：

然后我想把它们移到右边（对吗？）所以我只得到一个数值 1 以防万一。然后 GDB 给了我一个我不明白的输出：

它甚至与第一个长度不一样，这是为什么呢？只是为了尝试一下，我使用以下内在函数将其向右移动一位：

我希望它在每个 16 位块的右端只移动一个零。

更新：

我写了一个小例子来测试使用位掩码的东西，它工作正常，但我仍然不明白 gdbs 的行为：

我的 gdb 版本：GNU gdb 6.3.50-20050815 (Apple version gdb-1472) (Wed Jul 21 10:53:12 UTC 2010)

编译器标志：-Wall -g -O0 -mssse3 -msse4 -std=c99

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。

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？

例如，如果您使用 -msse4，这是否意味着它也将使用 -mssse3、-msse3、-msse2 等等，或者您是否也必须显式添加这些标志？

按值传递对齐类型或具有对齐类型的结构不适用于某些实现。这会破坏 STL 容器，因为某些方法（例如调整大小）按值获取它们的参数。

我使用 Visual Studio 2008 运行了一些测试，但不完全确定按值传递何时以及如何失败。我主要关心的是函数foo。它似乎工作正常，但它可能是内联或其他巧合的结果吗？如果我将其签名更改为void foo(const __m128&)怎么办？

非常感谢您的意见。谢谢你。

编辑。即使使用对齐的分配器，STL 也会失败，因为传递值问题仍然存在。

发现此链接按值传递 __m128

两个相关的问题。

这就是我的代码需要对大量数据执行的操作。它是在内部循环中完成的，性能很重要。

1. 将 __int32 和数组转换为双精度数（或将 __m128i 转换为两个 __m128d）。
2. 将浮点数和数组转换为双精度数（或将 __m128 转换为两个 __m128d）。

基本上，我需要具有以下签名的函数：

输入输出指针对齐，元素个数为4的倍数。主要问题是如何快速将__m128解包成两个__m128d。