我正在写一个用于3值水平和的函数,编译器生成次优代码。该算法的工作原理如下:( a,b,c是值,而_不在乎)

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,无法生成忽略其他元素值的程序集。

显而易见的是
__m128 sum3_a(__m128 r)
{
  __m128 b = _mm_movehl_ps(__m128(), r);
  //...

产生
sum3_a(float __vector(4)):
    xorpd    %xmm2, %xmm2
    movapd   %xmm0, %xmm3
    unpckhpd %xmm2, %xmm3    # xmm3 = xmm3[1],xmm2[1]

因此,看起来_mm128()会生成一个填充有零的寄存器(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]

但是我只想要
sum3(float __vector(4)):
    movhlps %xmm2, %xmm0

如何用C++编写?

最佳答案

当使用pxor时,gcc 4.9.2会为b生成一个__m128 b = _mm_movehl_ps(b, r);初始化程序
movhlps在Intel / AMD CPU的shuffle端口上运行。但是,在Nehalem及更高版本上,在FP指令之间使用整数混洗会产生额外的延迟(旁路延迟)。 pshufd非常适合广播所需的元素,因为它不读取其目的地。在Sandybridge及更高版本上,它将增加1个周期的延迟(或者,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),则增加2个延迟。)在Nehalem上,惩罚是两倍。在AMD和Core2上,没有额外的罚款(所有改组都是整数域)。

当编译非内部版本时(没有movaps,因此gcc会产生平庸的代码(带有许多-march uops),因此可以假设的只是SSE2作为基线amd64的一部分)。使用-march=sandybridge或更高版本,它可以制作出相当不错的代码,使其可以使用 vector 操作数的3种操作数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

我没有看到将单个浮点数转换为__m128的内在函数,而相反(float _mm_cvtss_f32 (__m128 a))。在Sandybridge之前的版本中,异常和NaN会大大减慢FP操作的速度,因此,应确保使用标量添加,以避免在 vector 的第4个元素中出现怪异数据而导致addps变慢的风险。

如果不使用AVX改组,使用内部函数编写此代码,我没有什么好主意。 (_mm_permute_ps vpermilps类似于float的pshufd:仅一个输入寄存器。您也可以只使用vshufps,除非您需要将负载折叠到其中,因为3运算符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/

10-13 08:30