我想使用SSE内部函数来翻译此代码。
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?
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:
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
# 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
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 cleanupmovdqu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。
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:
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;
}
}https://stackoverflow.com/questions/31203907
复制相似问题