c++ - 尝试使用 x86 asm SSSE3 将大端转换为小端

Question

我从事 arm asm 已有一段时间，并尝试使用 x86 asm ssse3 优化简单循环。我找不到将大端转换为小端的方法。

ARM NEON 有一个单一的 vector 指令来执行此操作，但 SSSE3 没有。我尝试使用 2 个类次和一个或，但如果我们向左移动 8 位(数据饱和)，则每个插槽需要 32 位而不是 16 位。

我查看了 PSHUFB，但是当我使用它时，16 位字的前半部分始终为 0。

我在 x86 for android 上使用内联汇编。对于语法不正确或可能出现的其他错误，我们深表歉意，请理解我的意思(很难从我的代码中删除它)。

# Data
uint16_t dataSrc[] = {0x7000, 0x4401, 0x3801, 0xf002, 0x4800, 0xb802, 0x1800, 
0x3c00, 0xd800.....
uint16_t* src = dataSrc;
uint8_t * dst = new uint8_t[16] = {0};
uint8_t * map = new uint8_t[16] = { 9,8, 11,10, 13,12, 15,14, 1,0,3,2,5,4,7,6,};

# I need to convert 0x7000 to 0x0077 by shifting each 16 bit by its byte vectorized.

asm volatile (
        "movdqu     (%0),%%xmm1\n"
        "pshufb     %2,%%xmm1\n"
        "movdqu     %%xmm1,(%1)\n"
:   "+r" (src),
"+r" (dst),
"+r" (map)
:
:   "memory", "cc", "xmm0", "xmm1", "xmm2", "xmm3", "xmm4"
);

如果我遍历 dataSrc 变量，我的前 8 个字节的输出是:

0: 0
1: 0
2: 0
3: 0
4: 72
5: 696
6: 24
7: 60

即使顺序错误，也只会交换最后 4 个。为什么前 4 个全为零？无论我如何更改 map ，第一个有时为 0 而接下来的 3 个始终为零，为什么？我做错了什么吗？

编辑

我弄清楚了为什么它不起作用， map 没有正确传递到内联 asm，我不得不为它释放一个输入变量。

对于关于 intrisics 与手写 asm 的其他问题。下面的代码是将16字节的视频帧数据YUV42010BE转成YUVP420(8位)，问题是shuffle，如果我用little endian，那段就没有了。

static const char map[16] = { 9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6 };
int dstStrideOffset = (dstStride - srcStride / 2);
asm volatile (
    "push       %%ebp\n"

    // All 0s for packing
    "xorps      %%xmm0, %%xmm0\n"

    "movdqu     (%5),%%xmm4\n"

    "yloop:\n"

    // Set the counter for the stride
    "mov %2,    %%ebp\n"

    "xloop:\n"

    // Load source data
    "movdqu     (%0),%%xmm1\n"
    "movdqu     16(%0),%%xmm2\n"
    "add        $32,%0\n"

    // The first 4 16-bytes are 0,0,0,0, this is the issue.
    "pshufb      %%xmm4, %%xmm1\n"
    "pshufb      %%xmm4, %%xmm2\n"

    // Shift each 16 bit to the right to convert
    "psrlw      $0x2,%%xmm1\n"
    "psrlw      $0x2,%%xmm2\n"

    // Merge both 16bit vectors into 1 8bit vector
    "packuswb   %%xmm0, %%xmm1\n"
    "packuswb   %%xmm0, %%xmm2\n"
    "unpcklpd   %%xmm2, %%xmm1\n"

    // Write the data
    "movdqu     %%xmm1,(%1)\n"
    "add        $16, %1\n"

    // End loop, x = srcStride; x >= 0 ; x -= 32
    "sub        $32, %%ebp\n"
    "jg         xloop\n"

    // End loop, y = height; y >= 0; --y
    "add %4,    %1\n"
    "sub $1,    %3\n"
    "jg         yloop\n"

    "pop        %%ebp\n"
:   "+r" (src),
    "+r" (dst),
    "+r" (srcStride),
    "+r" (height),
    "+r"(dstStrideOffset)
:   "x"(map)
:   "memory", "cc", "xmm0", "xmm1", "xmm2", "xmm3", "xmm4"
);

我还没有抽出时间使用小端来实现内在函数的随机播放

const int dstStrideOffset = (dstStride - srcStride / 2);
__m128i mdata, mdata2;
const __m128i zeros = _mm_setzero_si128();
for (int y = height; y > 0; --y) {
    for (int x = srcStride; x > 0; x -= 32) {
        mdata = _mm_loadu_si128((const __m128i *)src);
        mdata2 = _mm_loadu_si128((const __m128i *)(src + 8));
        mdata = _mm_packus_epi16(_mm_srli_epi16(mdata, 2), zeros);
        mdata2 = _mm_packus_epi16(_mm_srli_epi16(mdata2, 2), zeros);
        _mm_storeu_si128( (__m128i *)dst, static_cast<__m128i>(_mm_unpacklo_pd(mdata, mdata2)));
        src += 16;
        dst += 16;
    }
    dst += dstStrideOffset;
}

可能编写不正确，但在 Android 模拟器(API 27)、x86(SSSE3 是最高的，i686)上使用默认编译器设置和添加的优化进行了基准测试(尽管在性能上没有差异)-Ofast -O3 - funroll-loops -mssse3 -mfpmath=sse 平均:

内部函数:1.9-2.1 毫秒 手写:0.7-1ms

有什么办法可以加快速度吗？也许我写错了内在函数，是否有可能获得接近手写内在函数的速度？

Answer 1

您的代码不起作用，因为您将 map 的地址传递给了 pshufb。我不确定 gcc 为此生成了什么代码，我根本无法想象它会编译。

对这类事情使用内联汇编通常不是一个好主意。相反，使用内部函数:

#include <immintrin.h>

void byte_swap(char dst[16], const char src[16])
{
    __m128i msrc, map, mdst;

    msrc = _mm_loadu_si128((const _m128i *)src);
    map = _mm_setr_epi8(9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6);
    mdst = _mm_shuffle_epi8(msrc, map);
    _mm_storeu_si128((_m128i *)dst, mdst);
}

除了更容易维护之外，这优化得更好，因为 unlinke 内联汇编，编译器可以内省(introspection)内部函数并就发出哪些指令做出明智的决定。例如，在 AVX 目标上，它可能会发出 VEX 编码的 vpshufb 而不是 pshufb 以避免由于 AVX/SSE 转换导致的停顿。

如果出于任何原因您不能使用内部函数，请像这样使用内联汇编:

void byte_swap(char dst[16], const char src[16])
{
    typedef long long __m128i_u __attribute__ ((__vector_size__ (16), __may_alias__, __aligned__ (1)));
    static const char map[16] = { 9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6 };
    __m128i_u data = *(const __m128i_u *)src;

    asm ("pshufb %1, %0" : "+x"(data) : "xm"(* (__m128i_u *)map));
   *(__m128i_u *)dst = data;
}