首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >SSE字节和半字交换

问SSE字节和半字交换
EN

Stack Overflow用户
提问于 2015-07-03 17:57:54
回答 2查看 3.4K关注 0票数 2

我想使用SSE内部函数来翻译此代码。

代码语言:javascript
复制
for (uint32_t i = 0; i < length; i += 4, src += 4, dest += 4)
{
    uint32_t value = *(uint32_t*)src;
    *(uint32_t*)dest = ((value >> 16) & 0xFFFF) | (value << 16);
}

有没有人知道执行16位字交换的内在机制?

EN

回答 2

Stack Overflow用户

发布于 2015-07-04 00:22:14

pshufb (SSSE3)应该比2个移位和一个OR快。此外,对混洗掩码稍作修改,就可以实现字节顺序转换,而不仅仅是单词交换。

窃取了Paul R的函数结构,只是替换了向量的内部函数:

代码语言:javascript
复制
void word_swapping_ssse3(uint32_t* dest, const uint32_t* src, size_t count)
{
    size_t i;
    __m128i shufmask =  _mm_set_epi8(13,12, 15,14,  9,8, 11,10,  5,4, 7,6,  1,0, 3,2);
    // _mm_set args go in big-endian order for some reason.                       

    for (i = 0; i + 4 <= count; i += 4)
    {
        __m128i s = _mm_loadu_si128((__m128i*)&src[i]);
        __m128i d = _mm_shuffle_epi8(s, shufmask);
        _mm_storeu_si128((__m128i*)&dest[i], d);
    }
    for ( ; i < count; ++i) // handle residual elements
    {
        uint32_t w = src[i];
        w = (w >> 16) | (w << 16);
        dest[i] = w;
    }
}

pshufb可以有一个内存操作数,但它必须是混洗掩码,而不是要混洗的数据。因此,您不能将其用作随机加载。:/

gcc并没有为循环生成很好的代码。主循环是

代码语言:javascript
复制
# src: r8.  dest: rcx.  count: rax.  shufmask: xmm1
.L16:
        movq    %r9, %rax
.L3:  # first-iteration entry point
        movdqu  (%r8), %xmm0
        leaq    4(%rax), %r9
        addq    $16, %r8
        addq    $16, %rcx
        pshufb  %xmm1, %xmm0
        movups  %xmm0, -16(%rcx)
        cmpq    %rdx, %r9
        jbe     .L16

有了所有的循环开销,并且需要单独的加载和存储指令,吞吐量将仅为每2个周期1个混洗。(8 uops,因为cmp与jbe进行了宏融合)。

一个更快的循环应该是

代码语言:javascript
复制
  shl $2, %rax  # uint count  ->  byte count
  # check for %rax less than 16 and skip the vector loop
  # cmp / jsomething
  add %rax, %r8  # set up pointers to the end of the array
  add %rax, %rcx
  neg %rax       # and count upwards toward zero
.loop:
  movdqu (%r8, %rax), %xmm0
  pshufb  %xmm1, %xmm0
  movups  %xmm0, (%rcx, %rax)  # IDK why gcc chooses movups for stores.  Shorter encoding?
  add $16, %rax
  jl .loop
  # ...
  # scalar cleanup

movdqu加载可以与复杂的寻址模式进行微融合,这与矢量算术运算不同,因此我相信除了存储之外,所有这些指令都是单uop的。

这应该在每次迭代中运行1个周期,并进行一些展开,因为add可以与jl进行微融合。所以这个循环总共有5个uop。其中3个是加载/存储操作,它们具有专用端口。瓶颈是:pshufb只能在一个执行端口上运行(Haswell (SnB/IvB可以在端口1和5上执行pshufb ))。每个周期一个存储(所有微拱门)。最后,Intel CPU的每时钟4个融合域uop限制,除非Nehalem和更高版本上的缓存未命中(uop循环缓冲区),否则应该可以到达该限制。

展开将使每个16B的总熔断域uop降至4以下。递增指针,而不是使用复杂的寻址模式,将允许存储微熔丝。(减少循环开销总是好的:让重新排序缓冲区被未来的迭代填满意味着当CPU在循环末尾遇到预测错误并返回到其他代码时有事情要做。)

正如Elalfer正确地建议的那样,这几乎就是你通过展开内部循环所得到的结果。对于gcc,如果-funroll-loops不会使代码变得过多,可以尝试使用它。

顺便说一句,在加载或存储时进行字节交换,与其他代码混合,而不是将缓冲区转换为单独的操作,可能会更好。

票数 6
EN

Stack Overflow用户

发布于 2015-07-03 19:23:15

你问题中的标量代码并不是真正的字节交换(至少在字节顺序转换的意义上)-它只是交换32位字中的高16位和低16位。如果这是您想要的,那么只需重新使用the solution to your previous question,并进行适当的更改:

代码语言:javascript
复制
void byte_swapping(uint32_t* dest, const uint32_t* src, size_t count)
{
    size_t i;
    for (i = 0; i + 4 <= count; i += 4)
    {
        __m128i s = _mm_loadu_si128((__m128i*)&src[i]);
        __m128i d = _mm_or_si128(_mm_slli_epi32(s, 16), _mm_srli_epi32(s, 16));
        _mm_storeu_si128((__m128i*)&dest[i], d);
    }
    for ( ; i < count; ++i) // handle residual elements
    {
        uint32_t w = src[i];
        w = (w >> 16) | (w << 16);
        dest[i] = w;
    }
}
票数 3
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/31203907

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档