c++ - 创建未初始化的 SSE 值

Question

我正在为 3 值水平和编写函数，编译器生成次优代码。该算法的工作原理如下:(a,b,c 是值，_ 是无关紧要的)

a b c _  --movhlps->  a b _ _  --shufps-> a _ _ _
                      c _ _ _             b _ _ _
                                          c _ _ _

后跟两个addps。

但是当我用内在函数编写代码时，我无法让它生成忽略其他元素值的程序集。

显而易见的事情，

__m128 sum3_a(__m128 r)
{
  __m128 b = _mm_movehl_ps(__m128(), r);
  //...

生成

sum3_a(float __vector(4)):
    xorpd    %xmm2, %xmm2
    movapd   %xmm0, %xmm3
    unpckhpd %xmm2, %xmm3    # xmm3 = xmm3[1],xmm2[1]

所以看起来 _mm128() 生成了一个用零填充的寄存器(xorpd)。

我可以像这样摆脱 xorpd，

__m128 sum3_b(__m128 r)
{
  __m128 b = _mm_movehl_ps(r, r);
  //...

但这给了我(公平地说，正是我所要求的)，

sum3_b(float __vector(4)):
    movaps  %xmm0, %xmm2
    movhlps %xmm2, %xmm2     # xmm2 = xmm2[1,1]

但我想要的只是

sum3(float __vector(4)):
    movhlps %xmm2, %xmm0

我如何用 C++ 编写它？

Answer 1

gcc 4.9.2 在使用 __m128 b = _mm_movehl_ps(b, r); 时为 b 生成一个 pxor 初始化程序>

movhlps 在 Intel/AMD CPU 的随机端口上运行。不过，在 Nehalem 及更高版本上，在 FP 指令之间使用整数洗牌会有额外的延迟(旁路延迟)。 pshufd 是广播您想要的元素的理想选择，因为它不会读取其目的地。在 Sandybridge 及更高版本上，它会增加 1 个延迟周期(或者 2 个，如果要改组的数据来自尚未完成执行的 FP 指令。(即，这是关键路径的一部分。))在 Nehalem 上，惩罚是双的。在 AMD 和 Core2 上，没有额外的惩罚(所有洗牌都是整数域。)

gcc 在编译一个非固有版本(没有 -march)时产生平庸的代码(有很多 movaps uops)，所以它可以假定 SSE2 作为基线 amd64 的一部分)。它使用 -march=sandybridge 或更高版本生成非常好的代码，使其使用 vector 操作的 3 操作数 AVX 版本。

float sum3_b(__m128 r) {
    return r[0] + r[1] + r[2];
}

sum3_b:  # baseline x86-64
.LFB2226:
        movaps  %xmm0, %xmm1    # r, tmp93
        movaps  %xmm0, %xmm2    #, D.14010
        shufps  $85, %xmm0, %xmm1       #, r, tmp93
        addss   %xmm1, %xmm2    # D.14010, D.14010
        movaps  %xmm0, %xmm1    # r, tmp96
        unpckhps        %xmm0, %xmm1    # r, tmp96
        addss   %xmm1, %xmm2    # D.14010, D.14010
        movaps  %xmm2, %xmm0    # D.14010, D.14010
        ret

sum3_b:  # -march=sandybridge
.LFB2226:
        vshufps $85, %xmm0, %xmm0, %xmm1        #, r, r,
        vaddss  %xmm1, %xmm0, %xmm1     # D.14011, D.14011, D.14011
        vunpckhps       %xmm0, %xmm0, %xmm0     # r, r,
        vaddss  %xmm0, %xmm1, %xmm0     # D.14011, D.14011, D.14011
        ret

我没有看到将单个 float 转换为 __m128 的内在函数，只是反过来 (float _mm_cvtss_f32 (__m128 a))。在 Sandybridge 之前，非规范化和 NaN 会大大降低 FP 操作的速度很多，因此您应该确保使用标量加法以避免 addps 中的奇怪数据减速的风险 vector 的第 4 个元素。

在不使用 AVX shuffle 的情况下，我没有任何关于使用内在函数编写此内容的好主意。 (_mm_permute_ps vpermilps 就像用于 float 的 pshufd:只有一个输入寄存器。你最好使用 vshufps 除非你需要将负载折叠到不过，它是因为 3 操作数 VEX 编码意味着您可以vshufps 一个具有不同目的地的寄存器。)