gpt4 book ai didi

assembly - 对于memcmp,SSE4.2字符串指令比SSE2快多少?

转载 作者:行者123 更新时间:2023-12-03 15:00:16 25 4
gpt4 key购买 nike

这是我的代码的汇编器

您可以将其嵌入c ++并针对SSE4进行检查吗?以速度

我非常想看看如何步入SSE4的开发。还是根本不担心他?让我们检查一下(我在SSSE3以上没有支持)

{ sse2 strcmp WideChar 32 bit }
function CmpSee2(const P1, P2: Pointer; len: Integer): Boolean;
asm
push ebx // Create ebx
cmp EAX, EDX // Str = Str2
je @@true // to exit true
test eax, eax // not Str
je @@false // to exit false
test edx, edx // not Str2
je @@false // to exit false
sub edx, eax // Str2 := Str2 - Str;
mov ebx, [eax] // get Str 4 byte
xor ebx, [eax + edx] // Cmp Str2 4 byte
jnz @@false // Str <> Str2 to exit false
sub ecx, 2 // dec 4
{ AnsiChar : sub ecx, 4 }
jbe @@true // ecx <= 0 to exit true
lea eax, [eax + 4] // Next 4 byte
@@To1:
movdqa xmm0, DQWORD PTR [eax] // Load Str 16 byte
pcmpeqw xmm0, DQWORD PTR [eax+edx] // Load Str2 16 byte and cmp
pmovmskb ebx, xmm0 // Mask cmp
cmp ebx, 65535 // Cmp mask
jne @@Final // ebx <> 65535 to goto final
add eax, 16 // Next 16 byte
sub ecx, 8 // Skip 8 byte (16 wide)
{ AnsiChar : sub ecx, 16 }
ja @@To1 // ecx > 0
@@true: // Result true
mov eax, 1 // Set true
pop ebx // Remove ebx
ret // Return
@@false: // Result false
mov eax, 0 // Set false
pop ebx // Remove ebx
ret // Return
@@Final:
cmp ecx, 7 // (ebx <> 65535) and (ecx > 7)
{ AnsiChar : cmp ecx, 15 }
jae @@false // to exit false
movzx ecx, word ptr @@mask[ecx * 2 - 2] // ecx = mask[ecx]
and ebx, ecx // ebx = ebx & ecx
cmp ebx, ecx // ebx = ecx
sete al // Equal / Set if Zero
pop ebx // Remove ebx
ret // Return
@@mask: // array Mersenne numbers
dw $000F, $003F, $00FF, $03FF, $0FFF, $3FFF
{ AnsiChar
dw 7, 15, 31, 63, 127, 255, 511, 1023, 2047, 4095, 8191, 16383
}
end;


Semple 32位 https://vk.com/doc297044195_451679410

最佳答案

您调用了函数strcmp,但实际上实现的是需要对齐的memcmp(const void *a, const void *b, size_t words)。如果指针未与16B对齐,则movdqapcmpeqw xmm0, [mem]都将出错。 (实际上,如果a+4不是16B对齐的,因为您要执行前4个标量并增加4个字节。)

使用正确的启动代码和movdqu,您可以处理任意对齐(达到要用作pcmpeqw的内存操作数的指针的对齐边界)。为了方便起见,您可能需要两个指针都以宽字符对齐开头,但您不需要这样做(尤其是因为您只是返回true / false,而不是negative / 0 /
positive
作为排序顺序。)



您是在问SSE2 pcmpeqwpcmpistrm的性能,对吗? (显式长度SSE4.2指令类似于pcmpestrm have worse throughput than the implicit-length versions,因此当您不靠近字符串的结尾时,请在主循环中使用隐式长度版本。请参见Agner Fog's instruction tables和microarch指南)。

对于memcmp(或精心实现的strcmp),在大多数CPU上,使用SSE4.2可以做到的最好比使用SSE2(或SSSE3)可以做到的最好。可能对非常短的字符串有用,但对memcmp的主循环却没有作用。

在Nehalem上:pcmpistri是4 uops,2c吞吐量(带有内存操作数),因此没有其他循环开销,它可以跟上内存的速度。 (Nehalem仅具有1个加载端口)。 pcmpestri的吞吐量为6c:慢3倍。

在通过Skylake的Sandybridge上,pcmpistri xmm0, [eax]的吞吐量为3c,因此,要使每个时钟保持1个矢量(2个加载端口)的速度太慢,就要加倍3倍。 pcmpestri在大多数情况下具有4c吞吐量,因此也没有那么糟糕。 (对于最后的部分矢量可能有用,但在主循环中无效)。

在Silvermont / KNL上,pcmpistrm是最快的,并且每14个循环吞吐量运行一次,因此它是简单事物的总垃圾。

在AMD Jaguar上,pcmpistri为2c吞吐量,因此它实际上可能是可用的(仅一个加载端口)。 pcmpestri是5c吞吐量,因此很糟糕。

在AMD Ryzen上,pcmpistri的吞吐量也为2c,因此很糟糕。 (2个加载端口和每个时钟前端吞吐量5 uop(或6 uop,如果有(或全部?)来自多uup指令)则意味着您可以提高速度。

在AMD Bulldozer系列中,pcmpistri的吞吐量为3c,直到Steamroller的吞吐量为5c。 pcmpestri的吞吐量为10c。它们被微编码为7或27 m-op,因此AMD并没有在它们上花费很多硅。

在大多数CPU上,仅当您充分利用它们来处理pcmpeq / pmovmskb不能做到的事情时,才值得这样做。但是,如果您可以使用AVX2或尤其是AVX512BW,则在更宽的向量上使用更多的指令,即使执行复杂的操作也可能更快。 (没有SSE4.2字符串指令的较宽版本。)也许SSE4.2字符串指令对于通常处理短字符串的函数仍然有用,因为宽向量循环通常需要更多的启动/清除开销。同样,在一个不需要花费太多时间在SIMD循环中的程序中,在一个小的功能中使用AVX或AVX512仍然会在下一毫秒左右降低您的最大Turbo时钟速度,并且很容易造成净损失。



良好的内部循环应成为负载吞吐量的瓶颈,或者尽可能接近。 movqdu / pcmpeqw [one-register] / pmovmskb / macro-fused-cmp + jcc仅有4个融合域uops,因此在Sandybridge系列CPU上几乎可以实现



有关实现和一些基准,请参见https://www.strchr.com/strcmp_and_strlen_using_sse_4.2,但这是针对C样式的隐式长度字符串的,您必须在其中检查0字节。看起来您正在使用显式长度的字符串,因此在检查长度相等之后,它只是memcmp。 (或者,我想如果您需要查找排序顺序而不是仅等于/不等于,那么您必须将memcmp移到较短的字符串的末尾。)

对于具有8位字符串的strcmp,在大多数CPU上,最好不使用SSE4.2字符串指令。请参阅strchr.com文章上的评论以获取一些基准测试(该隐式长度字符串版本的基准测试)。例如,glibc不使用strcmp的SSE4.2字符串指令,因为它们在大多数CPU上都不快。他们可能是strstr的胜利。



glibc有几个SSE2 / SSSE3 asm strcmpmemcmp implementations。 (它是LGPL格式的,因此您不能将其复制到非GPL项目中,而要看看它们的作用。)一些字符串函数(如strlen)仅每64个字节分支一次,然后返回进行排序缓存行中的哪个字节被命中。但是他们的memcmp实现只是通过movdqu / pcmpeqb展开。您可以使用pcmpeqw,因为您想知道第一个16位元素的位置,而不是第一个字节的位置。



您的SSE2实现可能更快。您应该对movdqa使用索引寻址模式,因为它不会与pcmpeqw微融合(在Intel Sandybridge / Ivybridge上;在Nehalem或Haswell +上很好),但是pcmpeqw xmm0, [eax]将保持微融合而不分层。

您应该展开几次以减少循环开销。您应该将指针增量与循环计数器结合使用,以便在更多CPU上使用cmp/jb而不是sub/ja:宏融合,并避免写入寄存器(减少寄存器重新命名所需的物理寄存器数量)。

您在Intel Sandybridge / Ivybridge上的内部循环将运行

@@To1:
movdqa xmm0, DQWORD PTR [eax] // 1 uop
pcmpeqw xmm0, DQWORD PTR [eax+edx] // 2 uops on Intel SnB/IvB, 1 on Nehalem and earlier or Haswell and later.
pmovmskb ebx, xmm0 // 1 uop
cmp ebx, 65535
jne @@Final // 1 uop (macro-fused with cmp)
add eax, 16 // 1 uop
sub ecx, 8
{ AnsiChar : sub ecx, 16 }
ja @@To1 // 1 uop (macro-fused with sub on SnB and later, otherwise 2)


这是7个融合域的指令,因此在主流Intel CPU上,它只能从前端以每次迭代的最佳7/4周期发出。这与每个时钟2个负载的瓶颈相去甚远。在Haswell及更高版本上,每个迭代为6/4个周期,因为索引寻址模式可以与2操作数加载修改指令(如 pcmpeqw)保持微融合,但不能与其他任何内容(如 pabsw xmm0, [eax+edx](不会读取目标) )或AVX vpcmpeqw xmm0, xmm0, [eax+edx](3个操作数))。请参见 Micro fusion and addressing modes



对于设置和清理效果更好的小型字符串,这也可能更有效。

在指针设置代码中,如果先检查NULL指针,则可以保存 cmp。您可以 sub / jne用相同的宏融合比较和分支减去并检查两者是否相等。 (它只能在Intel Sandybridge系列上进行宏熔断,并且只有Haswell可以在单个解码块中进行2次宏熔断。但是Haswell / Broadwell / Skylake CPU很常见,并且变得越来越普遍,这对其他处理器没有不利影响CPU,除非等号指针如此普遍,以至于首先进行检查很重要。)



在返回路径中:尽可能始终使用 xor eax,eax to zero a register,而不要使用 mov eax, 0

您似乎并没有避免从字符串末尾开始读取。您应该使用在页面末尾(未映射下一页)结尾的字符串测试函数。

对于早期标量测试, xor ebx, [eax + edx]cmp相比具有零优势。 cmp/jnz可以与jcc宏融合,但 xor不能。



您加载一个掩码以进行清理,以覆盖您读取字符串末尾之后的情况。您可能仍然可以使用通常的 bsf在位图中找到第一个差异。我想用 not反转它以找到不相等的第一个位置,并检查它是否小于剩余的字符串长度。

我想也可以使用 mov eax, -1shr动态生成蒙版。或为了加载它,有时可以使用滑动窗口到 ...,0,0,0,-1,-1,-1,...数组中,但是需要亚字节偏移量,以使其不起作用。 (如果要蒙版并重做 pmovmskbVectorizing with unaligned buffers: using VMASKMOVPS: generating a mask from a misalignment count? Or not using that insn at all,则它对于矢量蒙版非常有效)。

只要不缓存未命中,您的方法就不错。我可能会即时生成蒙版。也许在另一个寄存器中的循环之前,因为您可以屏蔽以获得 count % 8,所以屏蔽生成可以与循环并行进行。

关于assembly - 对于memcmp,SSE4.2字符串指令比SSE2快多少?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46762813/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com