创建未初始化的 SSE 值答案

【问题标题】：Create uninitialized SSE value创建未初始化的 SSE 值
【发布时间】：2015-08-23 16:12:16
【问题描述】：

我正在为 3 值水平和编写一个函数，编译器生成次优代码。该算法的工作原理如下：（a,b,c 是值，_ 无关紧要）

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，我无法让它生成忽略其他元素值的程序集。

显而易见的事情，

__m128 sum3_a(__m128 r)
{
  __m128 b = _mm_movehl_ps(__m128(), r);
  //...

生成

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

所以看起来_mm128() 生成了一个用零填充的寄存器（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]

但我想要的只是

sum3(float __vector(4)):
    movhlps %xmm2, %xmm0

如何用 C++ 编写？

【问题讨论】：

好吧，对于__m128()，您要求零（或默认值，取决于 C++ 版本——但是在非具有隐式默认构造函数的类类型）初始化。所以它被初始化为零也就不足为奇了。只需创建一个局部变量而不初始化它，如果这是你想要的？
@Damon 这似乎生成与使用相同变量两次调用它相同的代码。
基本上，你不会。无论如何，reg-reg 移动几乎是免费的，所以还不错。
@Damon：我试过了（使用 gcc -O3，而不是 g++）：__m128 b = _mm_movehl_ps(b, r); 产生一个 pxor 来初始化 tmp。

标签： c++ sse intrinsics

【解决方案1】：

gcc 4.9.2 在使用__m128 b = _mm_movehl_ps(b, r); 时为b 生成pxor 初始化程序

movhlps 在 Intel/AMD CPU 的随机端口上运行。不过，在 Nehalem 及更高版本上，在 FP 指令之间使用整数洗牌会产生额外的延迟（旁路延迟）。 pshufd 非常适合广播您想要的元素，因为它不会读取其目的地。在 Sandybridge 及更高版本上，它会增加 1 个延迟周期（或 2 个，如果要洗牌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。））在 Nehalem 上，惩罚是双的。在 AMD 和 Core2 上，没有额外的惩罚（所有 shuffle 都是整数域。）

gcc 在编译非内在版本（没有-march，所以它只能假设 SSE2 作为基线 amd64 的一部分）时产生平庸的代码（有很多 movaps uops）。它使用 -march=sandybridge 或更高版本编写了相当不错的代码，使其能够使用向量操作的 3 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，而恰恰相反 (float _mm_cvtss_f32 (__m128 a))。在 Sandybridge 之前，非规范化和 NaN 会大大减慢 FP 操作很多，因此您应该确保使用标量加法来避免 addps 减速的风险，其中第 4 个元素中有奇怪的数据向量。

在不使用 AVX shuffle 的情况下使用内在函数编写此内容我没有任何好主意。（_mm_permute_ps vpermilps 就像 pshufd 用于浮点数：只有一个输入寄存器。不过，除非您需要将负载折叠到其中，否则您最好只使用 vshufps，因为 3 操作数 VEX 编码意味着您可以 @987654336 @ 具有不同目的地的寄存器。）

【讨论】：