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?
最佳答案
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。)
关于c++ - 创建未初始化的 SSE 值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32168729/