SSE练习：单精度浮点数组求和

SSE（Streaming SIMD Extensions）指令是一种SIMD 指令， Intrinsics函数则是对SSE指令的函数封装，利用C语言形式来调用SIMD指令集，大大提高了易读性和可维护。Intrinsics函数的使用可查看手册Intel Intrinsics Guide。

关于本文实现了单精度浮点数组的求和，切实感受SSE带来的速度提升。本文代码主要来自[1].

首先是不使用任何加速手段的求和函数：

//普通版
float sumfloat_base(const float *pbuf,unsigned int cntbuf)
{
    float s=0;
    for (unsigned int i=0;i<cntbuf;i++)
    {
        s+=pbuf[i];
    }
    return s;
}

在程序优化中有一种经常使用的方法：循环展开。循环展开可以降低循环开销，提高指令级并行性能。此处使用四路展开（测试表明，更多路展开难以带来更快的速度）：

//四路展开
float sumfloat_base_4loop(const float*pbuf,unsigned int cntbuf)
{
    float s=0;
    float fSum0=0,fSum1=0,fSum2=0,fSum3=0;
    unsigned int i=0;
    const float *p=pbuf;
    for (;i<=cntbuf-4;i+=4)//cntbuf-4不会每次都计算，编译器实现会计算好循环次数！
    {
        fSum0+=p[i];
        fSum1+=p[i+1];
        fSum2+=p[i+2];
        fSum3+=p[i+3];
    }
    s=fSum0+fSum1+fSum2+fSum3;
    for (;i<cntbuf;i++)
    {
        s+=p[i];
    }
    return s;
}

接着使用SSE 进行加速,由于SSE寄存器位宽128，因此一次能处理4个float类型的数据。SSE指令要求内存地址按16字节对齐，因此在声明缓冲区时使用了__declspec(align(16))。对于动态申请的内存可使用_aligned_malloc 。

//SSE版 
float sumfloat_sse(const float *pbuf ,unsigned int cntbuf)
{
    float s=0;
    int nBlockWidth=4;//SSE一次处理4个float
    int cntBlock=cntbuf/nBlockWidth;
    int cntRem=cntbuf%nBlockWidth;
    __m128 fSum=_mm_setzero_ps();//求和变量，初值清零
    __m128 fLoad;
    const float*p=pbuf;
    for (unsigned int i=0;i<cntBlock;i++)
    {
        fLoad=_mm_load_ps(p);//加载
        fSum=_mm_add_ps(fSum,fLoad);//求和
        p+=nBlockWidth;
    }
    const float *q=(const float*)&fSum;
    s=q[0]+q[1]+q[2]+q[3];        //合并
    for (int i=0;i<cntRem;i++)//处理尾部剩余数据
    {
        s+=p[i];
    }
    return s;
}

本程序中使用的Intrinsics函数为：

__m128 _mm_load_ps (float const* mem_addr)：

从16字节对齐的内存mem_addr中加载128位（4个单精度浮点数）到寄存器。对应指令 movaps xmm, m128

__m128 _mm_setzero_ps (void)：返回一个_m128类型的全零向量。对应指令：xorps xmm, xmm

__m128 _mm_add_ps (__m128 a, __m128 b)：将4对32位浮点数同时进行相加操作。这4对32位浮点数来自两个128位的存储单元，再把计算结果（相加之和）赋给一个128位的存储单元。对应指令：addps xmm, xmm

void _mm_store_ps (float* mem_addr, __m128 a)：将128位数据存入16字节对齐的内存中。对应指令：movaps m128, xmm

最后在SSE版本中再次使用循环展开:

//SSE+四路展开
float sumfloat_sse_4loop(const float *pbuf,unsigned int cntbuf)
{
    float s=0;
    unsigned int nBlockWidth=4*4;
    unsigned int cntBlock=cntbuf/nBlockWidth;
    unsigned int cntRem=cntbuf%nBlockWidth;
    __m128 fSum0=_mm_setzero_ps();//求和变量，初值清零
    __m128 fSum1=_mm_setzero_ps();
    __m128 fSum2=_mm_setzero_ps();
    __m128 fSum3=_mm_setzero_ps();
    __m128 fLoad0,fLoad1,fLoad2,fLoad3;
    const float *p=pbuf;
    for (unsigned int i=0;i<cntBlock;i++)
    {
        fLoad0=_mm_load_ps(p);//加载
        fLoad1=_mm_load_ps(p+4);
        fLoad2=_mm_load_ps(p+8);
        fLoad3=_mm_load_ps(p+12);
        fSum0=_mm_add_ps(fSum0,fLoad0);//求和
        fSum1=_mm_add_ps(fSum1,fLoad1);
        fSum2=_mm_add_ps(fSum2,fLoad2);
        fSum3=_mm_add_ps(fSum3,fLoad3);
        p+=nBlockWidth;
    }
    fSum0=_mm_add_ps(fSum0,fSum1);
    fSum2=_mm_add_ps(fSum2,fSum3);
    fSum0=_mm_add_ps(fSum0,fSum2);
    const float*q=(const float*)&fSum0;
    s=q[0]+q[1]+q[2]+q[3];                //合并
    for (unsigned int i=0;i<cntRem;i++)//处理尾部剩余数据
    {
        s+=p[i];
    }
    return s;
}

完整代码

Timing.h

#include <windows.h>
static _LARGE_INTEGER time_start, time_over;
static double dqFreq;
static inline void startTiming()
{
    _LARGE_INTEGER f;
    QueryPerformanceFrequency(&f);
    dqFreq=(double)f.QuadPart;

    QueryPerformanceCounter(&time_start);
}
static inline double stopTiming()
{
    QueryPerformanceCounter(&time_over);
    return ((double)(time_over.QuadPart-time_start.QuadPart)/dqFreq*1000);
}

View Code