SSE 中的高效 min() 函数

Question

我有以下循环，它取数组中每个条目的平方根：

#include <mmintrin.h>

float array[SIZE];
for (int i = 0; i < SIZE; i += 4)
{
    __m128 fourFloats, fourRoots;
    fourFloats = _mm_load_ps(&array[i]);
    fourRoots = _mm_sqrt_ps(fourFloats);
    float results[4];
    _mm_store_ps(results, fourRoots);
    // This is bottleneck
    array[i]   = results[0] > 63.0F ? 63.0F : floor(results[0]);
    array[i+1] = results[1] > 63.0F ? 63.0F : floor(results[1]);
    array[i+2] = results[2] > 63.0F ? 63.0F : floor(results[2]);
    array[i+3] = results[3] > 63.0F ? 63.0F : floor(results[3]);
    // This is slower
//  array[i] = (int) std::min(floor(results[0]), 63.0F);
}

根据我的分析器 (Zoom)，平方根不会花费大量时间，但结果的四个剪辑中的每一个都需要大约 20% 的时间，即使启用了 -O2 优化也是如此。有没有更有效的方法来实现循环？请注意，_mm_store_ps() 会被 gcc 优化掉。

我尝试了平方根的优化表查找，因为 97% 的输入 array 值低于 512，但这并没有帮助。请注意，对于我的完整应用程序（一个持续运行的图像识别应用程序）而言，此例程占用的总处理器时间不到四分之一。

Answer 1

有MAXPS和MINPS：

__m128d _mm_max_ps(__m128d a, __m128d b);

对第一个源操作数和第二个源操作数中的压缩单精度浮点值执行 SIMD 比较，并将每对值的最大值返回给目标操作数。

和

__m128d _mm_min_ps(__m128d a, __m128d b);

对第一个源操作数和第二个源操作数中的压缩单精度浮点值执行 SIMD 比较，并将每对值的最小值返回给目标操作数。

使用具有四个 63.0f 值的 XMM 寄存器作为第二个操作数。

Answer 2

鉴于您可以使用非常现代的 CPU，我将从以下方面入手：

float array[SIZE];
for(int i = 0; i < SIZE; i += 8)
{
    __m256 eightFloats, eightRoots;
    eightFloats = _mm256_load_ps(&array[i]);
    eightRoots = _mm256_sqrt_ps(eightFloats);
    float results[8];
    eightRoots = _mm256_floor_ps(eightRoots);
    _mm256_store_ps(results, eightRoots);
    ...
}

如果允许最高级的 SIMD 指令，甚至会选择 512 版本。

Answer 3

总结这两个答案，这是我最终决定满足我的全部要求的代码，array[i] = std::min(floor(sqrt(array[i])), (float) 0x3f);

float array[SIZE];
const float clipValue = (float) 0x3f;
const float clipArray[8] = {clipValue, clipValue, clipValue, clipValue,
                            clipValue, clipValue, clipValue, clipValue};
__m256 eightClips = _mm256_load_ps(clipArray);
for(int i = 0; i < SIZE; i += 8)
{
    __m256 eightFloats = _mm256_load_ps(&array[i]);
    __m256 eightRoots  = _mm256_sqrt_ps(eightFloats);
    __m256 eightFloors = _mm256_floor_ps(eightRoots);
    __m256 eightMins   = _mm256_min_ps(eightFloors, eightClips);
    _mm256_store_ps(&array[i], eightMins);
}

我的目标是垂直应用程序中的特定硬件，因此需要一个兼容 AVX 的处理器。