具有多种功能的 C++ SSE 优化

Question

我有一些结构类似于下面的代码。有一堆小的 SSE 帮助函数，一个更大的函数完成大部分工作，公共(public)函数组织数据，在循环中运行大函数并处理任何剩余的数据。

这比标量实现提高了大约 2 倍的速度，但如果可能的话我想获得更多。除了一些概念性问题外，反汇编中还有一些东西(只详细查看了 x86 VC++ 2010，但支持 x86 和 GCC)我不喜欢。

至少对于某些目标，我在这里只能使用 SSE 和 SSE2，但如果值得单独构建，我也可以使用更新的指令集。

---

问题一:

所有的小助手都很好地内联到大助手中，而大助手却没有。

然而，即使它只被一个源文件中的一个函数引用并且有很多寄存器(看算法，很确定它最多只需要 12 个 XMM 寄存器，除了加载数据数组)，编译器似乎想要遵循 fooHelper 的正常调用约定。

所以在将数据放入 foo 中的 XMM 寄存器后，它会将它们放回堆栈，并传递指针，然后在循环和整理东西之后，它将堆栈加载回 XMM，这样我就可以再次卸载它...

我想我可以强制它内联 fooHelper，但这是大量的重复指令，因为它不会使用 4 个 XMM 寄存器来完成这项工作。我也不能在 foo 本身中使用 SSE，这将消除加载/存储问题，但 fooHelper 仍在对这 4 个状态变量执行完全不需要的加载和存储...

理想情况下，因为这是一个私有(private)函数，所以忽略正常调用约定的方法会很好，而且我相信这会出现在许多其他较大的 SSE 中，我真的不希望所有内容都完全内联。

---

问题2:

该实现基本上是在 4 个状态 vector 上工作，这些 vector 组织为 AAAA、BBBB、CCCC、DDDD，这样代码就可以简单地编写为将 A、B、C 和 D 作为单独的变量，同时处理所有一次 4 个数据流。

然而，输出本身的格式为 ABCD、ABCD、ABCD、ABCD，输入也是 4 个独立的缓冲区，需要 _m_set_epi32 加载它。

有没有更好的方法来处理这些输入和输出(其格式实际上无法更改)？

---

namespace
{
    void fooHelperA(__m128i &a, __m128i b, __m128i x, int s)
    {
        ...small function (<5 sse operations)...
    }
    ...bunch of other small functions...

    //
    void fooHelper(        
         const int *data1, const int *data2, const int *data3, const int *data4,
         __m128i &a, __m128i &b, __m128i &c, __m128i &d)
    {
        //Get the current piece of data
        __m128 c = _mm_set_epi32(data1[0], data2[0], data3[0], data4[0]);
        ...do stuff with data...
        fooHelperA(a, b, c, 5);
        ...
        c = _mm_set_epi32(data1[1], data2[1], data3[1], data4[1]);
        ...
        fooHelperA(b, a, c, 7);
        ... lots more code ...
        c = _mm_set_epi32(data1[3], data2[3], data3[3], data4[3]);
        ...
    }
}
void foo(
    const char*data1, const char *data2, const float *data3, const char *data4,
    int*out1, int*out2, int*out3, int*out4,
    size_t len)
{
    __m128i a = _mm_setzero_si128();
    __m128i b = _mm_setzero_si128();
    __m128i c = _mm_setzero_si128();
    __m128i d = _mm_setzero_si128();
    while (len >= 16) //expected to loop <25 times for datasets in question
    {
        fooHelper((const int*)data1, (const int*)data2, (const int*)data3, (const int*)data4, a,b,c,d);
        data1 += 16;
        data2 += 16;
        data3 += 16;
        data4 += 16;
        len -= 16;
    }
    if (len)
    {
        int[4][4] buffer;
        ...padd data into buffer...
        fooHelper(buffer[0], buffer[1], buffer[2], buffer[3], a,b,c,d);
    }
    ALIGNED(16, int[4][4]) tmp;
    _mm_store_si128((__m128i*)tmp[0], a);
    _mm_store_si128((__m128i*)tmp[1], b);
    _mm_store_si128((__m128i*)tmp[2], c);
    _mm_store_si128((__m128i*)tmp[3], d);

    out1[0] = tmp[0][0];
    out2[0] = tmp[0][1];
    out3[0] = tmp[0][2];
    out4[0] = tmp[0][3];

    out1[1] = tmp[0][0];
    out2[1] = tmp[0][1];
    out3[1] = tmp[0][2];
    out4[1] = tmp[0][3];

    out1[2] = tmp[0][0];
    out2[2] = tmp[0][1];
    out3[2] = tmp[0][2];
    out4[2] = tmp[0][3];

    out1[3] = tmp[0][0];
    out2[3] = tmp[0][1];
    out3[3] = tmp[0][2];
    out4[3] = tmp[0][3];
}

Answer 1

一些建议，

1) 查看您的代码和数据描述，通过将您的数据组织从 SOA(数组结构)您的 AAAA vector 移动到 AOS 结构数组，您的输入数据已经被组织为ABCD ，你将有 1 个大输入 vector (大 4 倍)!

2) 注意数据对齐。由于 set_epi32 函数，现在您不关心是否应该具有 pinalllity，但如果您切换到 AOS，您应该能够使用快速加载(内存到 XMS)。

3)函数的结尾有点奇怪，(暂时无法模拟)我真的不明白为什么你需要一个tmp 2d数组。

4) 可以使用一些 SOA/AOS 转换示例来完成交织(和逆运算)...英特尔在推广 SIMD 指令集时写了很多关于这个主题的论文。

祝你好运，亚历克斯