使用 qmake 成功编译 SSE 指令（但无法识别 SSE2）答案

【问题标题】：Successful compilation of SSE instruction with qmake (but SSE2 is not recognized)使用 qmake 成功编译 SSE 指令（但无法识别 SSE2）
【发布时间】：2013-09-06 08:38:18
【问题描述】：

我正在尝试编译和运行从 Unix 迁移到 Windows 的代码。我的代码是纯 C++，不使用 Qt 类。在 Unix 中没问题。

我还使用 Qt creator 作为 IDE，并使用 qmake.exe 和 -spec win32-g++ 进行编译。因为我的代码中有sse 指令，所以我必须包含emmintrin.h 标头。

我补充说：

QMAKE_FLAGS_RELEASE += -O3 -msse4.1 -mssse3 -msse3 -msse2 -msse

QMAKE_CXXFLAGS_RELEASE += -O3 -msse4.1 -mssse3 -msse3 -msse2 -msse

在.pro 文件中。 我已经能够毫无错误地编译我的代码。但在运行某些包含__m128 或类似的函数时会出现运行时错误。

当我打开emmintrin.h 时，我看到了：

#ifndef __SSE2__
# error "SSE2 instruction set not enabled"
#else

在#else之后没有定义。

我不知道如何在我的电脑上启用SSE。

平台：Windows Vista

系统类型：64位

处理器：intel(R) Core(TM) i5-2430M CPU @ 2.40Hz

有人知道解决办法吗？

提前致谢。

【问题讨论】：

您能否更具体地了解运行时错误？请复制并粘贴实际的错误消息。
不是运行时错误的问题。虽然访问冲突。主要问题是 __SSE__ 没有定义。我确定其余的代码。
是什么让你认为__SSE__ 没有定义？您似乎对在标题中看到的内容感到困惑，这与此处无关。
是的，我想我很困惑。因为我在 Qt creator 中看到灰线，这意味着这些线不会被编译。此外，IDE 说 __m128 不是类型名称。但是在调试模式下逐步运行代码时。 SSE 部分代码运行良好。我认为问题出在其他地方。它在执行_mm_load_ps() 函数时崩溃。可能是由于输入分配错误。顺便说一句，我想知道我的机器是否支持该功能或......？
这就是我要求您发布实际运行时错误消息的原因 - 这听起来像是典型的 SSE 未对齐数据问题。尝试正确对齐数据或使用_mm_loadu_ps 而不是_mm_load_ps。

标签： c++ mingw sse simd intrinsics

【解决方案1】：

听起来您的数据不是 16 字节对齐的，这是 SSE 加载（例如 mm_load_ps）的要求。您可以：

使用_mm_loadu_ps 作为临时解决方法。在较新的 CPU 上，此类未对齐负载的性能影响相当小（在较旧的 CPU 上更为显着），但仍应尽可能避免

或

修复内存对齐问题。在 Windows/Visual Studio 上，您可以使用 declspec(align(16)) 属性进行静态分配或使用 _aligned_malloc 进行动态分配。对于 gcc 和大多数其他文明平台/编译器，前者使用__attribute__ ((align(16)))，后者使用posix_memalign。

【讨论】：

我编写了一个 Windows 程序来测量 _mm_loadu_ps 损失。该程序使用 _mm_loadu_ps 或 _mm_load_ps 从数组加载浮点数，并显示每个浮点数的执行时间。基准循环还包含一个添加指令，以防止优化器移除负载。使用 mingw64/gcc 4.8 或 Visual Studio 构建 SB (@4.0GHz) 的结果相同：_mm_load_ps 每循环 0.75 ns，_mm_loadu_ps 每循环 0.78 ns。因此，如果我正确地编写了测试代码，Sandy Bridge 在减少未对齐的负载开销方面做得非常出色。源代码在这里：notabs.org/misc/alignment.7z.
@ScottD，所以我在 Linux 下的 i5-3317U CPU @ 1.70GHz 上运行了你的代码（经过一些修改），我得到了 1.22ns 未对齐和 1.17 对齐。这大约慢了 4%。基于 Paul 的陈述，“像这样的未对齐负载的性能影响相当小（在较旧的 CPU 上更为显着），但如果可能，仍应避免这种情况。”是准确的。我必须更仔细地检查一下。
@redrum，移植我知道的代码很痛苦。我尝试了一些更大的数组大小，结果是相同的，直到总缓冲区大小超过 8MB L3 缓存大小。之后，_mm_loadu_ps 和 _mm_load_ps 的速度一样慢。 AMD 处理器 A6-3650 也可以很好地处理未对齐。但即便如此，对齐数据是有益的，并且为提高旧处理器的可移植性和友好性付出了很小的代价。正如 Paul R 所解释的，当阵列未对齐时，宝贵的 L1 缓存空间会被浪费，这可能会影响某些循环的性能。
@PaulR，感谢您提供的信息。也许这就是我过去所看到的（当我第一次开始编写我的 GEMM 代码时）。我似乎记得负载未对齐时性能更差，从那时起我就没有费心测试未对齐的内存。如果我设法重现/恢复我所做的测试，我会发布一个关于它们的 SO 问题。
@ScottD，让你的代码跨平台/编译器相当容易。 Use _mm_malloc instead of _aligned_malloc（这是我以前的 SO 生活中的问题）以及 omp_get_wtime()（而不是 windows 性能计时器），您的代码将在 GCC、MinGW、MSVC 和 ICC 以及 Linux 和 Windows（可能还有 OSX）上运行)。我没有实现的唯一部分是更改任务优先级。我对此没有很好的解决方案，所以我将其注释掉。