MMX 内部函数和 Microsoft C++ 的堆栈使用

Question

我有一个内联汇编程序循环，它使用 MMX 指令从 int32 数据数组中累积添加元素。特别是，它利用 MMX 寄存器可以容纳 16 个 int32 来并行计算 16 个不同的累积和。

我现在想将这段代码转换为 MMX 内在函数，但我担心我会遭受性能损失，因为无法明确指示编译器使用 8 个 MMX 寄存器来累加 16 个独立的和。

任何人都可以对此发表评论，并可能就如何将下面的代码转换为使用内在函数提出解决方案？

== 内联汇编器（仅循环内的一部分）==

paddd   mm0, [esi+edx+8*0]  ; add first & second pair of int32 elements
paddd   mm1, [esi+edx+8*1]  ; add third & fourth pair of int32 elements ...
paddd   mm2, [esi+edx+8*2]
paddd   mm3, [esi+edx+8*3]
paddd   mm4, [esi+edx+8*4]
paddd   mm5, [esi+edx+8*5]
paddd   mm6, [esi+edx+8*6]
paddd   mm7, [esi+edx+8*7]  ; add 15th & 16th pair of int32 elements

• esi 指向数据数组的开头
• edx 为当前循环迭代提供数据数组中的偏移量
• 数据数组的排列方式使得 16 个独立和的元素相互交错。

Answer 1

VS2010 使用内部函数对等效代码进行了不错的优化。在大多数情况下，它会编译内在函数：

sum = _mm_add_pi32(sum, *(__m64 *) &intArray[i + offset]);

变成类似：

movq  mm0, mmword ptr [eax+8*offset]
paddd mm1, mm0

这不像padd mm1, [esi+edx+8*offset] 那样简洁，但可以说非常接近。执行时间可能主要由内存提取决定。

问题是 VS 似乎只喜欢将 MMX 寄存器添加到其他 MMX 寄存器。上述方案仅适用于前 7 个总和。第 8 个总和要求将一些寄存器临时保存到内存中。

这是一个完整的程序及其对应的编译程序集（release build）：

#include <stdio.h>
#include <stdlib.h>
#include <xmmintrin.h>

void addWithInterleavedIntrinsics(int *interleaved, int count)
{
    // sum up the numbers
    __m64 sum0 = _mm_setzero_si64(), sum1 = _mm_setzero_si64(),
          sum2 = _mm_setzero_si64(), sum3 = _mm_setzero_si64(),
          sum4 = _mm_setzero_si64(), sum5 = _mm_setzero_si64(),
          sum6 = _mm_setzero_si64(), sum7 = _mm_setzero_si64();

    for (int i = 0; i < 16 * count; i += 16) {
        sum0 = _mm_add_pi32(sum0, *(__m64 *) &interleaved[i]);
        sum1 = _mm_add_pi32(sum1, *(__m64 *) &interleaved[i + 2]);
        sum2 = _mm_add_pi32(sum2, *(__m64 *) &interleaved[i + 4]);
        sum3 = _mm_add_pi32(sum3, *(__m64 *) &interleaved[i + 6]);
        sum4 = _mm_add_pi32(sum4, *(__m64 *) &interleaved[i + 8]);
        sum5 = _mm_add_pi32(sum5, *(__m64 *) &interleaved[i + 10]);
        sum6 = _mm_add_pi32(sum6, *(__m64 *) &interleaved[i + 12]);
        sum7 = _mm_add_pi32(sum7, *(__m64 *) &interleaved[i + 14]);
    }

    // reset the MMX/floating-point state
    _mm_empty();

    // write out the sums; we have to do something with the sums so that
    // the optimizer doesn't just decide to avoid computing them.
    printf("%.8x %.8x\n", ((int *) &sum0)[0], ((int *) &sum0)[1]);
    printf("%.8x %.8x\n", ((int *) &sum1)[0], ((int *) &sum1)[1]);
    printf("%.8x %.8x\n", ((int *) &sum2)[0], ((int *) &sum2)[1]);
    printf("%.8x %.8x\n", ((int *) &sum3)[0], ((int *) &sum3)[1]);
    printf("%.8x %.8x\n", ((int *) &sum4)[0], ((int *) &sum4)[1]);
    printf("%.8x %.8x\n", ((int *) &sum5)[0], ((int *) &sum5)[1]);
    printf("%.8x %.8x\n", ((int *) &sum6)[0], ((int *) &sum6)[1]);
    printf("%.8x %.8x\n", ((int *) &sum7)[0], ((int *) &sum7)[1]);
}

void main()
{
    int count        = 10000;
    int *interleaved = new int[16 * count];

    // create some random numbers to add up
    // (note that on VS2010, RAND_MAX is just 32767)
    for (int i = 0; i < 16 * count; ++i) {
        interleaved[i] = rand();
    }

    addWithInterleavedIntrinsics(interleaved, count);
}

这是 sum 循环内部生成的汇编代码（没有它的序言和结语）。请注意大多数和如何有效地保存在 mm1-mm6 中。与 mm0 相比，mm0 用于将要添加到每个总和中的数字，而与 mm7 相比，它服务于最后两个总和。这个程序的7-sum版本似乎没有mm7的问题。

012D1070  movq        mm7,mmword ptr [esp+18h]  
012D1075  movq        mm0,mmword ptr [eax-10h]  
012D1079  paddd       mm1,mm0  
012D107C  movq        mm0,mmword ptr [eax-8]  
012D1080  paddd       mm2,mm0  
012D1083  movq        mm0,mmword ptr [eax]  
012D1086  paddd       mm3,mm0  
012D1089  movq        mm0,mmword ptr [eax+8]  
012D108D  paddd       mm4,mm0  
012D1090  movq        mm0,mmword ptr [eax+10h]  
012D1094  paddd       mm5,mm0  
012D1097  movq        mm0,mmword ptr [eax+18h]  
012D109B  paddd       mm6,mm0  
012D109E  movq        mm0,mmword ptr [eax+20h]  
012D10A2  paddd       mm7,mm0  
012D10A5  movq        mmword ptr [esp+18h],mm7  
012D10AA  movq        mm0,mmword ptr [esp+10h]  
012D10AF  movq        mm7,mmword ptr [eax+28h]  
012D10B3  add         eax,40h  
012D10B6  dec         ecx  
012D10B7  paddd       mm0,mm7  
012D10BA  movq        mmword ptr [esp+10h],mm0  
012D10BF  jne         main+70h (12D1070h)  

那你能做什么？

1. 分析 7-sum 和 8-sum 基于内在函数的程序。选择执行速度更快的那个。

2. 分析一次只添加一个 MMX 寄存器的版本。它仍然应该能够利用现代处理器fetch 64 to 128 bytes into the cache at a time 的事实。 8-sum 版本是否会比 1-sum 版本快并不明显。 1-sum 版本获取完全相同的内存量，并执行完全相同数量的 MMX 加法。不过，您需要相应地交错输入。

3. 如果您的目标硬件允许，请考虑使用SSE instructions。这些可以一次添加 4 个 32 位值。自 1999 年的 Pentium III 以来，英特尔 CPU 就可以使用 SSE。