我正在努力将一些代码转换为SSE，虽然我得到了正确的输出，但事实证明它比标准的c++代码要慢。
我需要为此做的代码是:
float ox = p2x - (px * c - py * s)*m;
float oy = p2y - (px * s - py * c)*m;
我为SSE代码准备的是:
void assemblycalc(vector4 &p, vector4 &sc, float &m, vector4 &xy)
{
vector4 r;
__m128 scale = _mm_set1_ps(m);
__asm
{
mov eax, p //Load into CPU reg
mov ebx, sc
movups xmm0, [eax] //move vectors to SSE regs
movups xmm1, [ebx]
mulps xmm0, xmm1 //Multiply the Elements
movaps xmm2, xmm0 //make a copy of the array
shufps xmm2, xmm0, 0x1B //shuffle the array
subps xmm0, xmm2 //subtract the elements
mulps xmm0, scale //multiply the vector by the scale
mov ecx, xy //load the variable into cpu reg
movups xmm3, [ecx] //move the vector to the SSE regs
subps xmm3, xmm0 //subtract xmm3 - xmm0
movups [r], xmm3 //Save the retun vector, and use elements 0 and 3
}
}
由于很难阅读代码，因此我将解释我所做的事情:
已加载的vector4，xmm0 _____ p = [px，py，px，py]
多通过vector4，xmm1 _ cs = [c，c，s，s]
__________________________杂物----------------------------
结果，_____________ xmm0 = [pxc，pyc，pxs，pys]
重用结果，xmm0 = [pxc，pyc，pxs，pys]
随机播放结果，xmm2 = [pys，pxs，pyc，pxc]
_____________________减去 - - - - - - - - - - - - - -
结果，xmm0 = [pxc-pys，pyc-pxs，pxs-pyc，pys-pxc]
重用结果，xmm0 = [pxc-pys，pyc-pxs，pxs-pyc，pys-pxc]
加载m vector4，比例= [m，m，m，m]
__________________________杂物----------------------------
结果，xmm0 = [(pxc-pys)m，(pyc-px * s)m，(pxs-py * c)m，(pys-px * c)m]
加载xy vector4，xmm3 = [p2x，p2x，p2y，p2y]
重用xmm0 = [(pxc-py * s)m，(pyc-px * s)m，(pxs-py * c)m，(pys-px * c)m]
_____________________减去 - - - - - - - - - - - - - -
结果，xmm3 = [p2x-(pxc-py * s)m，p2x-(pyc-px * s)m，p2y-(pxs-py * c)m，p2y-(pys-px * c)* m]
那么ox = xmm3 [0]和oy = xmm3 [3]，所以我基本上不使用xmm3 [1]或xmm3 [4]
非常抱歉阅读本文，但我希望有人能够为我提供一些指导，因为标准c++代码的运行时间为0.001444ms，SSE代码的运行时间为0.00198ms。
让我知道是否有什么我可以做的进一步解释/整理。我尝试使用SSE的原因是因为我运行了数百万次此计算，并且这是使当前代码变慢的一部分。
在此先感谢您的帮助!
布雷特
最佳答案
进行这种矢量化处理的通常方法是将问题“转为反面”。您无需同时计算ox和oy的单个值，而可以同时计算四个ox值和四个oy值。这样可以最大程度地减少浪费的计算和混洗。
为此，您需要将几个x，y，p2x和p2y值捆绑成连续的数组(即，您可能具有四个x值的数组，一个四个y值的数组，等等)。然后，您可以执行以下操作:
movups %xmm0, [x]
movups %xmm1, [y]
movaps %xmm2, %xmm0
mulps %xmm0, [c] // cx
movaps %xmm3, %xmm1
mulps %xmm1, [s] // sy
mulps %xmm2, [s] // sx
mulps %xmm3, [c] // cy
subps %xmm0, %xmm1 // cx - sy
subps %xmm2, %xmm3 // sx - cy
mulps %xmm0, scale // (cx - sy)*m
mulps %xmm2, scale // (sx - cy)*m
movaps %xmm1, [p2x]
movaps %xmm3, [p2y]
subps %xmm1, %xmm0 // p2x - (cx - sy)*m
subps %xmm3, %xmm2 // p2y - (sx - cy)*m
movups [ox], %xmm1
movups [oy], %xmm3
使用这种方法，我们用18条指令同时计算4个结果，而使用您的方法则只用13条指令计算单个结果。我们也没有浪费任何结果。
仍然可以在此基础上进行改进。由于必须使用该方法重新安排数据结构，因此应该对齐阵列，并使用对齐的加载和存储方式，而不要使用未对齐的方式。您应该将c和s加载到寄存器中，并使用它们处理x和y的多个向量，而不是为每个向量重新加载它们。为了获得最佳性能，应交织两个或多个值得计算的向量，以确保处理器有足够的工作来防止流水线停顿。
(附带说明:应该是
cx + sy而不是cx - sy吗？这将为您提供标准的旋转矩阵)编辑
您对正在使用哪种硬件进行计时的评论几乎可以清除所有内容:“奔腾4 HT，2.79GHz”。那是一个非常古老的微体系结构，未对齐的移动和重新排列很慢。您没有足够的工作量来隐藏算术运算的延迟，并且重新排序引擎并不像在新的微体系结构上那样聪明。
我希望您的向量代码将被证明比i7和Core2上的标量代码更快。另一方面，如果可以的话，一次执行四次仍会更快。
关于assembly - 在我的SSE/组装尝试中需要一些 build 性的批评，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/2923458/