我是否最有效地使用了SSE资源？

Question

我有这段代码来找出在低/高范围内有多少像素的key。低-高矩阵是从输入的大矩阵生成的。我必须输出匹配像素数大于150( 256)的低/高坐标。

int8_t high[8192][8192];
int8_t low[8192][8192];
int8_t key[16][16]

for (int i = 0; i <= 8192 - 16; i++)
for (int j = 0; j <= 8192 - 16; j++)
{
    char *kLoc = key[ii];
    char *lLoc = low[i + ii] + j;
    char *hLoc = high[i + ii] + j;

    __m128i high, low, num;
    low = _mm_loadu_si128((__m128i*)lLoc);
    high = _mm_loadu_si128((__m128i*)hLoc);
    num = _mm_loadu_si128((__m128i*)kLoc);

    // Snip
}

还能做得更好吗？

我知道有8个128位的XMM寄存器和MMX寄存器，而我只使用了3个可用的XMM寄存器。我可以优化代码以利用所有寄存器吗？

Answer 1

当涉及到优化时，不要在目标/生产环境中猜测、度量和度量。对于简单的算术，瓶颈通常在内存带宽上，因此您可以考虑在加载和保存之间执行其他操作。您还可以将循环重新排序并交错到以下位置，以减少到一个比较结果，而不是2个compare+merge结果：

num_1  = loadu(hLoc); hLoc++;
num_2  = loadu(hLoc); hLoc++;
low_1  = loadu(kLoc); kLoc++;
low_2  = loadu(kLoc); kLoc++;
high_1 = loadu(lLoc); lLoc++;
high_2 = loadu(lLoc); lLoc++;

num1   = mm_sub(low1)
num2   = mm_sub(low2)
cmp num1, high1
cmp num2, high2

store num1
store num2

您可能还希望将kLoc、lLoc、hLoc移出循环并进行递增(即，kLoc++)如上所述，一些编译器非常愚蠢，会生成在每个循环中计算地址的代码。