比FPU慢？

Question

我有一大段代码，其中一部分包含了以下代码：

result = (nx * m_Lx + ny * m_Ly + m_Lz) / sqrt(nx * nx + ny * ny + 1);

我将其矢量化如下(一切都已经是float)：

__m128 r = _mm_mul_ps(_mm_set_ps(ny, nx, ny, nx),
                      _mm_set_ps(ny, nx, m_Ly, m_Lx));
__declspec(align(16)) int asInt[4] = {
    _mm_extract_ps(r,0), _mm_extract_ps(r,1),
    _mm_extract_ps(r,2), _mm_extract_ps(r,3)
};
float (&res)[4] = reinterpret_cast<float (&)[4]>(asInt);
result = (res[0] + res[1] + m_Lz) / sqrt(res[2] + res[3] + 1);

结果是正确的；但是，我的基准测试表明矢量化版本要慢一些。

• 非矢量化版本采取3750 ms
• ，向量化版本采用4050 ms
• 将result直接设置为0 (并完全删除这部分代码)，将整个过程减少到2500 ms

< code >f 212。

既然矢量化版本只包含一组SSE乘法(而不是四个单独的FPU乘法)，为什么要慢一些呢？FPU确实比SSE更快，还是这里有一个混乱的变量？

(我在移动核心i5上。)

Answer 1

您正在花费大量时间使用_mm_set_ps和_mm_extract_ps将标量值移动到SSE寄存器/从SSE寄存器中移动--这将生成大量指令，其执行时间将远远超过使用_mm_mul_ps带来的任何好处。查看生成的程序集输出，看看除了单个MULPS指令之外，还生成了多少代码。

要正确地向量化这一点，您需要使用128位SSE加载和存储(_mm_load_ps/_mm_store_ps)，然后在需要时使用SSE洗牌指令在寄存器中移动元素。

还有一点要注意--现代CPU，如核心i5、核心i7，有两个标量FPU，每个时钟可以发出2个浮点乘法。因此，SSE对单精度浮点的潜在好处最多只有2倍。如果你有过多的“家务管理”指令，你很容易失去大部分/所有这2倍的好处，就像这里的情况。

Answer 2

有几个问题：

1. 您将不会看到在这种操作中使用SSE指令有多大好处，因为SSE指令应该更适合并行操作(也就是说，同时乘以几个值)。您所做的是误用SSE
2. 不设置值，使用指向数组中第一个值的指针，但是您的值不在数组中，
3. 不提取值并将值复制到数组中。这也是对SSE的滥用。结果应该在一个数组中。

Answer 3

我的看法是，当使用FPU加载下一个值时，处理器有时间计算第一个乘法。SSE必须首先加载所有值。