performance - 点乘积性能与 SSE 指令

Question

通过 dpps 计算两个向量的点积是否更快？指令形成SSE 4.1指令集或通过使用一系列addps , shufps和mulps来自上交所1？

Answer 1

答案可能与上下文密切相关，并且完全取决于它在更大的代码流中的使用位置和方式，以及您所使用的硬件。

从历史上看，当英特尔推出新指令时，他们并没有专门为其投入太多硬件区域。如果它得到足够的采用和使用，他们会在后代中投入更多的硬件。因此，就原始 ALU 性能而言，与 SSE2 方式相比，Penryn 上的 _mm_dp_ps 并没有特别令人印象深刻。另一方面，它确实需要较少的指令缓存中的指令，因此当更紧凑的编码性能更好时，它可能会有所帮助。

_mm_dp_ps 的真正问题是作为 SSE 4.1 的一部分，你不能指望它会在每台现代 PC 上得到支持(Valve 的 Steam 硬件调查显示，对于游戏玩家来说，它的支持率约为 85%) 。因此，您最终不得不编写 protected 代码路径而不是直线代码，而这通常花费的成本超过了使用指令所获得的好处。

如果您正在为保证支持它的 CPU 制作二进制文件，那么它很有用。例如，如果您使用 /arch:AVX(甚至 /arch:AVX2)进行构建，要么是因为您的目标是 Xbox One 等固定平台，要么是正在构建多个您的 EXE/DLL 版本，您可以假设 SSE 4.1 也将受到支持。

这实际上就是DirectXMath是:

inline XMVECTOR XMVector4Dot( FXMVECTOR V1, FXMVECTOR V2 )
{
#if defined(_XM_NO_INTRINSICS_)

    XMVECTOR Result;
    Result.vector4_f32[0] =
    Result.vector4_f32[1] =
    Result.vector4_f32[2] =
    Result.vector4_f32[3] = V1.vector4_f32[0] * V2.vector4_f32[0] + V1.vector4_f32[1] * V2.vector4_f32[1] + V1.vector4_f32[2] * V2.vector4_f32[2] + V1.vector4_f32[3] * V2.vector4_f32[3];
    return Result;

#elif defined(_M_ARM) || defined(_M_ARM64)

    float32x4_t vTemp = vmulq_f32( V1, V2 );
    float32x2_t v1 = vget_low_f32( vTemp );
    float32x2_t v2 = vget_high_f32( vTemp );
    v1 = vpadd_f32( v1, v1 );
    v2 = vpadd_f32( v2, v2 );
    v1 = vadd_f32( v1, v2 );
    return vcombine_f32( v1, v1 );

#elif defined(__AVX__) || defined(__AVX2__)

    return _mm_dp_ps( V1, V2, 0xff );

#elif defined(_M_IX86) || defined(_M_X64)

    XMVECTOR vTemp2 = V2;
    XMVECTOR vTemp = _mm_mul_ps(V1,vTemp2);
    vTemp2 = _mm_shuffle_ps(vTemp2,vTemp,_MM_SHUFFLE(1,0,0,0));
    vTemp2 = _mm_add_ps(vTemp2,vTemp);
    vTemp = _mm_shuffle_ps(vTemp,vTemp2,_MM_SHUFFLE(0,3,0,0));
    vTemp = _mm_add_ps(vTemp,vTemp2);
    return _mm_shuffle_ps(vTemp,vTemp,_MM_SHUFFLE(2,2,2,2));

#else
    #error Unsupported platform
#endif
}

This of course assumes you are going to use the 'scalar' result of a dot-product in additional vector operations. By convention, DirectXMath returns such scalars 'splatted' across the return vector.

参见DirectXMath: SSE4.1 and SSE4.2

更新:虽然不如 SSE/SSE2 支持那么普遍，但对于不使用 /arch:AVX 或 构建的情况，您可能需要 SSE3 支持>/arch:AVX2 并尝试:

inline XMVECTOR XMVector4Dot(FXMVECTOR V1, FXMVECTOR V2)
{
    XMVECTOR vTemp = _mm_mul_ps(V1,V2);
    vTemp = _mm_hadd_ps( vTemp, vTemp );
    return _mm_hadd_ps( vTemp, vTemp );
}

也就是说，目前尚不清楚 hadd 在大多数情况下至少在点积方面优于 SSE/SSE2 add 和 shuffle 解决方案。