使用SSE本质时由于内存对齐不正确而分割故障

Question

我第一次使用SSE本质，即使在确保16字节内存对齐之后，我也遇到了分段错误。这篇文章是我先前问题的延伸：

How to allocate 16byte memory aligned data

下面是我声明数组的方式：

  float *V = (float*) memalign(16,dx*sizeof(float));

当我尝试这样做的时候：

  __m128 v_i = _mm_load_ps(&V[i]); //It works

但当我这么做的时候

  __m128 u1 = _mm_load_ps(&V[(i-1)]); //There is a segmentation fault

但如果我这么做了

  __m128 u1 = _mm_loadu_ps(&V[(i-1)]); //It works again

但是，我希望消除使用_mm_loadu_ps，并希望使它只使用_mm_load_ps。

我和Intel icc编译器一起工作。

我如何解决这个问题？

更新：

在以下代码中使用这两个操作：

  void FDTD_base (float *V, float *U, int dx, float c0, float c1, float c2, float c3,     float c4)
    {
       int i, j, k;
                    for (i = 4; i < dx-4; i++)
                    {

                            U[i] = (c0 * (V[i]) //center
                                    + c1 * (V[(i-1)] + V[(i+1)] )
                                    + c2 * (V[(i-2)] + V[(i+2)] )
                                    + c3 * (V[(i-3)] + V[(i+3)] )
                                    + c4 * (V[(i-4)] + V[(i+4)] ));
                    }

       }

SSE版本：

         for (i=4; i < dx-4; i+=4)
        {
            v_i = _mm_load_ps(&V[i]);
            __m128 center = _mm_mul_ps(v_i,c0_i);

            __m128 u1 = _mm_loadu_ps(&V[(i-1)]);
            u2 = _mm_loadu_ps(&V[(i+1)]);

            u3 = _mm_loadu_ps(&V[(i-2)]);
            u4 = _mm_loadu_ps(&V[(i+2)]);

            u5 = _mm_loadu_ps(&V[(i-3)]);
            u6 = _mm_loadu_ps(&V[(i+3)]);

            u7 = _mm_load_ps(&V[(i-4)]);
            u8 = _mm_load_ps(&V[(i+4)]);

            __m128 tmp1 = _mm_add_ps(u1,u2);
            __m128 tmp2 = _mm_add_ps(u3,u4);
            __m128 tmp3 = _mm_add_ps(u5,u6);
            __m128 tmp4 = _mm_add_ps(u7,u8);

            __m128 tmp5 = _mm_mul_ps(tmp1,c1_i);
            __m128 tmp6 = _mm_mul_ps(tmp2,c2_i);
            __m128 tmp7 = _mm_mul_ps(tmp3,c3_i);
            __m128 tmp8 = _mm_mul_ps(tmp4,c4_i);

            __m128 tmp9 = _mm_add_ps(tmp5,tmp6);
            __m128 tmp10 = _mm_add_ps(tmp7,tmp8);

            __m128 tmp11 = _mm_add_ps(tmp9,tmp10);
            __m128 tmp12 = _mm_add_ps(center,tmp11);

            _mm_store_ps(&U[i], tmp12);
    }

是否有更有效的方法只使用_mm_load_ps()来完成此操作？

Answer 1

由于sizeof(float)为4，因此V中的每四个条目都将正确地对齐。请记住，_mm_load_ps一次加载四个浮动。参数，即指向第一个浮点数的指针，需要对齐到16个字节。

我假设在您的示例中，i是4的倍数，否则_mm_load_ps(&V[i])将失败。

更新

这就是我建议使用对齐负载和洗牌实现上述滑动窗口示例的方式：

__m128 v_im1;
__m128 v_i = _mm_load_ps( &V[0] );
__m128 v_ip1 = _mm_load_ps( &V[4] );

for ( i = 4 ; i < dx ; i += 4 ) {

    /* Get the three vectors in this 'frame'. */
    v_im1 = v_i; v_i = v_ip1; v_ip1 = _mm_load_ps( &V[i+4] );

    /* Get the u1..u8 from the example code. */
    __m128 u3 = _mm_shuffle_ps( v_im1 , v_i , 3 + (4<<2) + (0<<4) + (1<<6) );
    __m128 u4 = _mm_shuffle_ps( v_i , v_ip1 , 3 + (4<<2) + (0<<4) + (1<<6) );

    __m128 u1 = _mm_shuffle_ps( u3 , v_i , 1 + (2<<2) + (1<<4) + (2<<6) );
    __m128 u2 = _mm_shuffle_ps( v_i , u4 , 1 + (2<<2) + (1<<4) + (2<<6) );

    __m128 u5 = _mm_shuffle_ps( v_im1 , u3 , 1 + (2<<2) + (1<<4) + (2<<6) );
    __m128 u6 = _mm_shuffle_ps( u4 , v_ip1 , 1 + (2<<2) + (1<<4) + (2<<6) );

    __m128 u7 = v_im1;
    __m128 u8 = v_ip1;

    /* Do your computation and store. */
    ...

    }

请注意，这有点棘手，因为_mm_shuffle_ps只能从每个参数中获取两个值，这就是为什么我们首先需要使u3和u4用于具有不同重叠的其他值。

还请注意，u1、u3和u5值也可以在上一次迭代中从u2、u4和u6中恢复。

注意，最后，我还没有验证上面的代码！阅读_mm_shuffle_ps的文档，并检查第三个参数(选择器)对每种情况都是正确的。