带SSE指令的点乘积性能

Question

用SSE4.1指令集中的dpps指令或使用SSE 1中的一系列addps、shufps和mulps来计算两个向量的点积是否更快？

Answer 1

答案可能是非常上下文化的，并且完全取决于它在更大的codeflow中的位置和使用方式，以及您所使用的硬件。

从历史上看，当英特尔推出新的指令时，他们并没有在硬件方面投入太多的精力。如果它被采纳并得到足够的使用，他们就会在后代中投入更多的硬件。因此，与SSE2方式相比，Penryn上的SSE2在原始ALU性能方面并不特别令人印象深刻。另一方面，它确实需要i-缓存中较少的指令，以便在更紧凑的编码能够更好地执行时，它可能会有所帮助。

_mm_dp_ps真正的问题在于它是SSE4.1的一部分，你不能指望它在每台现代PC上都能得到支持(阀门的蒸汽硬件调查将游戏玩家的比例定在85%左右)。因此，您最终不得不编写有保护的代码路径，而不是直线代码，而这通常比使用指令所带来的好处还要高。

它的有用之处在于，如果您要为一个保证支持它的CPU生成二进制文件。例如，如果您使用/arch:AVX (甚至/arch:AVX2)构建，或者是因为您的目标是Xbox这样的固定平台，或者是正在构建多个版本的EXE/DLL，您可以假设SSE4.1也将得到支持。

这实际上是DirectXMath所做的工作：

inline XMVECTOR XMVector4Dot( FXMVECTOR V1, FXMVECTOR V2 )
{
#if defined(_XM_NO_INTRINSICS_)

    XMVECTOR Result;
    Result.vector4_f32[0] =
    Result.vector4_f32[1] =
    Result.vector4_f32[2] =
    Result.vector4_f32[3] = V1.vector4_f32[0] * V2.vector4_f32[0] + V1.vector4_f32[1] * V2.vector4_f32[1] + V1.vector4_f32[2] * V2.vector4_f32[2] + V1.vector4_f32[3] * V2.vector4_f32[3];
    return Result;

#elif defined(_M_ARM) || defined(_M_ARM64)

    float32x4_t vTemp = vmulq_f32( V1, V2 );
    float32x2_t v1 = vget_low_f32( vTemp );
    float32x2_t v2 = vget_high_f32( vTemp );
    v1 = vpadd_f32( v1, v1 );
    v2 = vpadd_f32( v2, v2 );
    v1 = vadd_f32( v1, v2 );
    return vcombine_f32( v1, v1 );

#elif defined(__AVX__) || defined(__AVX2__)

    return _mm_dp_ps( V1, V2, 0xff );

#elif defined(_M_IX86) || defined(_M_X64)

    XMVECTOR vTemp2 = V2;
    XMVECTOR vTemp = _mm_mul_ps(V1,vTemp2);
    vTemp2 = _mm_shuffle_ps(vTemp2,vTemp,_MM_SHUFFLE(1,0,0,0));
    vTemp2 = _mm_add_ps(vTemp2,vTemp);
    vTemp = _mm_shuffle_ps(vTemp,vTemp2,_MM_SHUFFLE(0,3,0,0));
    vTemp = _mm_add_ps(vTemp,vTemp2);
    return _mm_shuffle_ps(vTemp,vTemp,_MM_SHUFFLE(2,2,2,2));

#else
    #error Unsupported platform
#endif
}

当然，这假设您将在附加向量操作中使用点积的“标量”结果。按照惯例，DirectXMath在返回向量中返回这样的标量“飞溅”。

请参阅DirectXMath: SSE4.1和SSE4.2

更新：虽然不像SSE/SSE 2支持的那样普遍存在，但是对于没有使用/arch:AVX或/arch:AVX2构建的情况，您可以要求SSE3支持，然后尝试：

inline XMVECTOR XMVector4Dot(FXMVECTOR V1, FXMVECTOR V2)
{
    XMVECTOR vTemp = _mm_mul_ps(V1,V2);
    vTemp = _mm_hadd_ps( vTemp, vTemp );
    return _mm_hadd_ps( vTemp, vTemp );
}

尽管如此，目前还不清楚在大多数情况下，hadd在多数情况下会赢得至少在SSE/SSE2添加和洗牌解决方案上的点积。