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movapsxmm,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(__m128a,__m128b):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:addpsxmm,xmm
void_mm_store_ps(float*mem_addr,__m128a):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完整程序:
Timing.h
#includestatic _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); } #include#include #include #include #include "Timing.h" #define BUFSIZE 4096 // = 32KB{L1 Cache} / (2 * sizeof(float)) __declspec(align(16))float buf[BUFSIZE];//内存对齐 typedef float (*TESTPROC)(const float* pbuf, unsigned int cntbuf);//函数指针(用于测试时统一表示) void RunTest(const char *szname,TESTPROC proc); float sumfloat_base(const float *pbuf,unsigned int cntbuf); float sumfloat_base_4loop(const float*pbuf,unsigned int cntbuf); float sumfloat_sse(const float *pbuf ,unsigned int cntbuf); float sumfloat_sse_4loop(const float *pbuf,unsigned int cntbuf); int main() { srand( (unsigned)time( NULL ) ); for (int i = 0; i < BUFSIZE; i++) buf[i] = (float)(rand() & 0x3f);// 使用&0x3f是为了让求和后的数值不会超过float类型的有效位数,便于观察结果是否正确. RunTest("sumfloat_base",sumfloat_base); RunTest("sumfloat_base_4loop",sumfloat_base_4loop); RunTest("sumfloat_sse",sumfloat_sse); RunTest("sumfloat_sse_4loop",sumfloat_sse_4loop); return 0; } //测试函数 void RunTest(const char *szname,TESTPROC proc) { unsigned int testloop=4000;//循环次数 volatile float result;//volatile类型放止编译器优化使得循环内部不执行! double mpsgood=0; double mps; for (int k=0;k<=3;k++)//循环多次,选取最好情况 { startTiming(); for(unsigned int i=0;i
测试结果: