需要对我的 SSE/Assembly 尝试进行一些建设性的批评

Question

我正在努力将一些代码转换为 SSE，虽然我的输出正确，但结果却比标准 c++ 代码慢。

我需要这样做的代码是：

float ox = p2x - (px * c - py * s)*m;
float oy = p2y - (px * s - py * c)*m;

我得到的 SSE 代码是：

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
    }
}

由于代码很难阅读，我将解释我所做的：

已加载向量4，xmm0 _____ p = [px , py , px , py ]
多。通过vector4，xmm1 _ cs = [c，c，s，s]
__________________________多----------------
结果，_____________ xmm0 = [pxc, pyc, pxs, pys]

重用结果，xmm0 = [pxc, pyc, pxs, pys]
洗牌结果，xmm2 = [pys, pxs, pyc, pxc]
_____________________减法--------------------------
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, scale = [m, m, m, m]
__________________________多----------------
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]
_____________________减法--------------------------
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]

对于阅读本文的困难，我深表歉意，但我希望有人能够为我提供一些指导，因为标准 c++ 代码运行时间为 0.001444 毫秒，而 SSE 代码运行时间为 0.00198 毫秒。

如果我能做些什么来进一步解释/清理一下，请告诉我。我尝试使用 SSE 的原因是因为我运行了这个计算数百万次，这是导致我当前代码变慢的部分原因。

提前感谢您的帮助！ 布雷特

Answer 1

进行这种矢量化的常用方法是将问题“放在一边”。您可以同时计算四个ox 值和四个oy 值，而不是计算ox 和oy 的单个值。这样可以最大程度地减少浪费的计算和洗牌。

为了做到这一点，您将几个 x、y、p2x 和 p2y 值捆绑到连续数组中（即，您可能有一个包含四个 x 值的数组，一个y 等四个值）。然后你可以这样做：

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，我们在 18 条指令中同时计算 4 个结果，而您的方法在 13 条指令中计算单个结果。我们也没有浪费任何结果。

还有待改进；因为无论如何您都必须重新排列数据结构才能使用这种方法，所以您应该对齐数组并使用对齐的加载和存储而不是未对齐的。您应该将 c 和 s 加载到寄存器中并使用它们来处理 x 和 y 的 许多 个向量，而不是为每个向量重新加载它们。为获得最佳性能，应交错计算两个或更多向量，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？这会给你一个标准的旋转矩阵）

编辑

您对您正在计时的硬件的评论几乎清除了一切：“Pentium 4 HT，2.79GHz”。那是一个非常古老的微架构，未对齐的移动和洗牌非常缓慢；您在管道中没有足够的工作来隐藏算术运算的延迟，并且重新排序引擎并不像在较新的微架构上那样聪明。

我希望您的向量代码会证明比 i7 上的标量代码更快，并且可能在 Core2 上也是如此。另一方面，如果可以的话，一次做四个会更快。