SSE _mm_dp_ps大小结果

Question

我开始使用SSE进行操作。我想用_mm_dp_ps制作两个点产品，并在aux_sse中保存第一个结果，在aux_sse中保存第二个结果。B是一个值为1的8元向量.

因为我每对只需要两个浮点数，所以我做了以下代码：

    printf("A  \n");
    for(i = 0; i < M; i++){
        for(j = 0; j < ele; j++){
            A[i*ele+j] = i*ele+j;
            printf(" %f ", A[i*ele+j]);
        }
        printf("\n");
    }
    
    float aux[ele*M];
    float aux2[ele*M];
    __m128 *A_sse = (__m128*) A;
    __m128 *B_sse = (__m128*) B;
    __m128 *aux_sse  = (__m128*) aux;
    __m128 *aux2_sse  = (__m128*) aux2;
    for(int i = 0; i < M; i++)
    {
        *aux_sse =  _mm_dp_ps (*A_sse, *B_sse,  0xFF);
        printf("%f \n", aux[i]);

        B_sse ++;
        A_sse++;
        *aux2_sse = _mm_dp_ps (*A_sse, *B_sse,  0xFF);
        printf("%f \n", aux2[i]);

        B_sse --;
        A_sse ++;

        aux_sse+= sizeof(char);
        aux2_sse+= sizeof(char);
    }

我得到了以下错误的输出：

A  
 0.000000  1.000000  2.000000  3.000000  4.000000  5.000000  6.000000  7.000000 
 8.000000  9.000000  10.000000  11.000000  12.000000  13.000000  14.000000  15.000000 
6.000000 
22.000000 
6.000000 
22.000000 

根据这

使用imm8中的高4位，在a和b中有条件地将封装的单精度(32位)浮点元素相乘，将四个积之和相加，并使用imm8的低4位有条件地将和存储在dst中。

我理解在imm8中，我们在元素中指定要保存结果。

据我所知，即使结果在输出向量的4个元素中，如果我只使用aux_sse+= sizeof(char)增加一个元素，则结果应该被覆盖，并得到所需的结果。不过，我看到情况并非如此。

如果在打印aux和aux2的结果时进行以下修改，则输出是正确的。

printf("%f \n", aux[i*4]);
printf("%f \n", aux2[i*4]);

输出：

6.000000 
22.000000 
38.000000 
54.000000 

我正在使用gcc编译器。有人知道问题出在哪里吗？任何答案都会有帮助。

编辑：

我需要aux和aux2的元素对应于每个迭代：

auxi =在迭代1中执行的dot_product

Answer 1

aux_sse+= sizeof(char);是一种无意义的编写aux_sse+=1的方法，即前进16字节，也就是4个浮点数，即sizeof(__m128) == sizeof(*aux_sse) == 16。

所以，如果你也是通过浮点索引访问数组，是的，如果你只对4个浮点数的每一个向量增加一个i，你就必须将它缩放4。

通常，使用_mm_store_ps(&aux[i], v);比跟踪__m128*变量来访问相同的数组更容易。然后执行i+=4，因此i实际上是对您拥有的4元素组的开始进行索引，而不是需要对其进行缩放。这使得编写像i < M-3这样的循环边界变得更容易。

还请注意，如果要对数组进行对齐所需的访问，则应该使用alignas(16) float aux[ele*M];。GCC注意到你在做什么，当数组可以看到它们是如何使用的时候，它会帮你对齐，但是一般不要指望它。

float 还是您只想存储一个结果，而不是为每组4个输入存储4个相同的点产品？在这种情况下，您应该提取低标量元素，例如_mm_store_ss (&aux[i], v)。或者_mm_cvtss_f32(v)，将向量的低元素作为标量float。

如果您想要这样做，您可以手工完成四个4元素点产品，产生一个向量的4个结果。_mm_mul_ps，然后可能是2x _mm_hadd_ps (SSE3)，水平减少，一种转置和加。(由@mainactual建议)

dpps是Skylake和类似的英特尔CPU (https://uops.info)上的4 uop，所以如果你有多个点产品要做的话，那就不太好了。

为了避免SSE3，您可以使用_mm_shuffle_ps (舒夫斯)从两个向量中选择元素，或者一些_mm_unpacklo_ps / unpackhi可能会有用，或者可以使用pd版本来将元素对放在一起。