StackOverflow 社区您好
我遇到了以下挑战:在我的 C++ 应用程序中,我有一个非常复杂的(三次)循环,在其中的所有深度上,我执行以下操作:
- 计算 4 个浮点值
- 将所有 4 个值乘以一个常数
- 将 float 转换为整数
此代码将在每个循环中运行数千次迭代(导致数十亿次操作),并且我希望使其尽可能快,因此我尝试利用 SSE 处理器指令。
在尝试手动优化代码时,我遇到了以下障碍:每次到达将所有值乘以常量的部分时,必须将常量加载到 XMM 寄存器。我的想法是保留一个寄存器(并禁止编译器使用它),加载一次值,然后使用该一个特定寄存器对乘法进行硬编码,但是我找不到正确的方法来做到这一点。
顺便说一句,有人可以向我解释一下为什么这段代码:
vmovaps .LC0(%rip), %xmm1
movl $1000000000, %eax
vmovaps .LC1(%rip), %xmm0
.p2align 4,,10
.p2align 3
.L2:
#APP
# 26 "sse.cpp" 1
.intel_syntax noprefix;
mulps %xmm1,%xmm0;
.att_syntax prefix;
# 0 "" 2
#NO_APP
subl $1, %eax
jne .L2
比以下性能更差(真实 0m1.656s 与真实 0m1.618s):
vmovaps .LC0(%rip), %xmm1
movl $1000000000, %eax
vmovaps .LC1(%rip), %xmm0
.p2align 4,,10
.p2align 3
.L2:
vmulps %xmm0, %xmm1, %xmm1
subl $1, %eax
jne .L2
(区别在于,我在 gcc [第一个片段] 和旧版 SSE 指令中的内联汇编中使用 intel 语法以实现兼容性,而 gcc 使用 AVX vector [第二个片段] 自动生成版本)
最佳答案
需要注意的是,您需要更具体地说明如何编译内容,并可能提供最少的示例。我知道这可能不是最佳答案,但我认为这已经足够好了。虽然很长,但这是因为代码。
下面工作的底线是,应该安全地留给编译器并使用适当的编译器标志。在底部,我举了一个如何使用本地寄存器变量的示例,但它可能会赢不是很有用(它很容易被忽略)。您可以使用全局寄存器变量,但它不会产生任何好的结果,因此不鼓励。
我的设置是 Intel(R) Core(TM) i7-4770 CPU
, gcc version 4.9.2
和clang version 3.5.0
。下面的代码确实存储 avx_scalar
在 xmm
注册 -O1
以上。什么都没有或 -O0
他们没有。生成程序集的代码是:
[clang++|g++] -march=native -S -Ox ./sse.cpp
,
哪里x
是优化级别。
有趣的是 -march=archive
在我测试的任何情况下,两个编译器都决定使用 SSE4.1 版本而不是旧版 SSE,即使我在代码本身中使用了旧版 SSE 内在函数。这很好。
我还使用 smmintrin.h
进行了测试这是SSE4.1 header 。如果没有标志,gcc 使用旧版 SSE,并且 clang 无法使用 error: "SSE4.1 instruction set not enabled"
进行编译。 。与xmmintrin.h
这是旧版 SSE header ,两个编译器在存在该标志时都会生成 AVX 版本,而在该标志不存在时会生成旧版本。
测试代码avx.cpp
:
extern "C"
{
#include <smmintrin.h>
}
const float scalar = 3.14;
const __m128 avx_scalar = _mm_set1_ps(scalar);
__m128 vector;
__m128 its_me(){
__m128 ret;
__m128 result;
for(int i = 0; i < 1000; ++i)
{
vector = _mm_set_ps(i*1,i*2,i*3,i*4);
result = _mm_mul_ps(vector, avx_scalar);
ret = _mm_add_ps(ret, result);
}
return ret;
}
g++ -march=native -S -O2 ./avx.cpp
的相关部分:
.LFB639:
.cfi_startproc
vmovaps _ZL10avx_scalar(%rip), %xmm5
xorl %edx, %edx
.p2align 4,,10
.p2align 3
.L2:
leal (%rdx,%rdx), %ecx
vxorps %xmm2, %xmm2, %xmm2
vxorps %xmm1, %xmm1, %xmm1
vxorps %xmm3, %xmm3, %xmm3
leal 0(,%rdx,4), %eax
vcvtsi2ss %ecx, %xmm3, %xmm3
vxorps %xmm4, %xmm4, %xmm4
vcvtsi2ss %eax, %xmm2, %xmm2
leal (%rcx,%rdx), %eax
vcvtsi2ss %edx, %xmm4, %xmm4
addl $1, %edx
vcvtsi2ss %eax, %xmm1, %xmm1
vunpcklps %xmm4, %xmm3, %xmm3
vunpcklps %xmm1, %xmm2, %xmm1
vmovlhps %xmm3, %xmm1, %xmm1
vmulps %xmm5, %xmm1, %xmm2
vaddps %xmm2, %xmm0, %xmm0
cmpl $1000, %edx
jne .L2
vmovaps %xmm1, vector(%rip)
ret
.cfi_endproc
和clang++ -march=native -S -O2 ./avx.cpp
:
# BB#0:
xorl %eax, %eax
movl $4, %ecx
movl $2, %edx
vmovaps _ZL10avx_scalar(%rip), %xmm1
xorl %esi, %esi
# implicit-def: XMM0
.align 16, 0x90
.LBB0_1: # =>This Inner Loop Header: Depth=1
leal -2(%rdx), %r8d
leal -4(%rcx), %edi
vmovd %edi, %xmm2
vpinsrd $1, %eax, %xmm2, %xmm2
vpinsrd $2, %r8d, %xmm2, %xmm2
vpinsrd $3, %esi, %xmm2, %xmm2
vcvtdq2ps %xmm2, %xmm2
vmulps %xmm1, %xmm2, %xmm2
vaddps %xmm2, %xmm0, %xmm0
leal 1(%rsi), %r8d
leal 3(%rax), %edi
vmovd %ecx, %xmm2
vpinsrd $1, %edi, %xmm2, %xmm2
vpinsrd $2, %edx, %xmm2, %xmm2
vpinsrd $3, %r8d, %xmm2, %xmm2
vcvtdq2ps %xmm2, %xmm2
vmulps %xmm1, %xmm2, %xmm3
vaddps %xmm3, %xmm0, %xmm0
addl $2, %esi
addl $6, %eax
addl $8, %ecx
addl $4, %edx
cmpl $1000, %esi # imm = 0x3E8
jne .LBB0_1
# BB#2:
vmovaps %xmm2, vector(%rip)
retq
仅供记录,您可以手动将局部变量放入寄存器,但 clang 完全忽略,gcc 为 -01
及以上。我鼓励寻找xmm13
在 g++ -march=native -S -Ox ./avx.cpp
的输出中与不同x
以下代码的值(假设您的 cpu 上至少有 13 个 xmm 寄存器):
extern "C"
{
#include <xmmintrin.h>
}
const float scalar = 3.14;
__m128 its_me(){
__m128 vector;
register __m128 avx_scalar asm ("xmm13") = _mm_set1_ps(scalar); // that's how you do it in gcc.
//const __m128 avx_scalar = _mm_set1_ps(scalar);
__m128 ret;
__m128 result;
for(int i = 0; i < 1000; ++i)
{
vector = _mm_set_ps(i*1,i*2,i*3,i*4);
result = _mm_mul_ps(vector, avx_scalar);
ret = _mm_add_ps(ret, result);
}
return ret;
}
关于c++ - 在 SSE 寄存器中存储常量(GCC、C++),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28679308/