常量浮点数与SIMD

Question

我一直在尝试使用微软的SSE内置函数来优化我的代码。优化代码时最大的问题之一是每当我想要使用常量时都会发生LHS。有一些关于生成特定常量的信息（这里和这里 - 第13.4节），但都是汇编语言（我宁愿避免使用）。问题在于，当我尝试使用内置函数实现相同的功能时，MSVC会抱怨不兼容的类型等。是否有人知道使用内置函数的等效技巧？例如 - 生成{1.0,1.0,1.0,1.0}。

//pcmpeqw xmm0,xmm0 
__m128 t = _mm_cmpeq_epi16( t, t );

//pslld xmm0,25 
_mm_slli_epi32(t, 25);

//psrld xmm0,2
return _mm_srli_epi32(t, 2);

这会生成一堆关于不兼容类型(__m128 vs _m128i)的错误。由于我对此很陌生，所以我相信我肯定漏掉了一些明显的东西。有人能帮忙吗？

简而言之 - 我如何使用ms内部函数生成一个填充有单精度常量浮点数的__m128向量？

谢谢阅读 :)

- JBeFat

---

你为什么认为你需要这样做？通常常量只会在计算循环之前加载一次，因此内存访问的相对成本是可以忽略不计的。 - Paul R

我有几个常量，它们都在一个循环中使用，不幸的是这个循环似乎已经使用了所有8个xmm寄存器。在vtune中，当一些这些常量被使用时，我得到了非常高的CPI。我想如果我能减少我正在访问的常量数量，并生成一些常量，那么可能会减少成本，因为一个常量的成本会隐藏另一个常量的成本。此外，奇怪的是，在其中一个常量上使用register关键字帮助了很多（尽管这只是导致某些其他值被推出xmm regs）。 - JBeFat

如果可以的话，请使用x86-64，这样您将获得16个XMM寄存器。还要注意，即使在第一次加载这些常数时出现一个或多个缓存未命中，这也应该在大量后续迭代中摊销，因为常数将随后位于L1缓存中（除非您只有很少的循环迭代次数？）。 - Paul R

请注意，一些编译器会在使用t之前生成一个pxor指令将其清零，即使您正在尝试使用未初始化的变量。根据编译器的不同，您可能更容易从_mm_set1_epi16(-1)开始，因为编译器知道如何使用pcmpge进行操作。还有_mm_undefined_si128()，专门用于此类情况，但并非所有编译器都支持它。例如，clang-3.5不支持，但clang-3.8支持。 - Peter Cordes

Answer 1

尝试使用 _mm_set_ps, _mm_set_ps1 或 _mm_set1_ps。

- Ben Voigt

---

0x1a11 251 movaps xmm6，xmmword ptr [0x414890] 0x1a18 251 xorps xmm5，xmm5 你好，感谢您抽出时间回答 :) 如您所见（格式不佳，抱歉），__mm_set_ps 对我并没有帮助，因为它仍然使用 movaps 从内存中的某个位置加载常量。我想要的是使用现有方法直接在 xmm 寄存器中生成常量。 - JBeFat

@JBeFat：你尝试过直接转换结果吗？那些技巧使用整数指令来创建浮点值，所以编译器报告类型不匹配也就不足为奇了。 - Ben Voigt

还要注意，由于FPU没有参与，因此__mm_set_ps没有LHS存储。 - Ben Voigt

@Damon：这里没有转换，只是为了类型检查器（仅在编译时）等效于 reinterpret_cast。 同时，适当命名的内联函数可以解决可读性问题。 - Ben Voigt

@Ben Voigt：是的，这就是问题所在。引用《Intel、AMD和VIA CPU的微架构》（http://www.agner.org/optimize/microarchitecture.pdf）中的内容：“XMM寄存器具有一些标记位，用于记住浮点值是正常、非正常还是零。当整数指令的输出被用作单精度或双精度浮点指令的输入时，必须设置这些标记位。这会导致所谓的重新格式化延迟。” - Damon

Answer 2

使用_mm_castsi128_ps将__m128i转换为__m128。同时，第二行应该是

t = _mm_slli_epi32(t, 25)

- Norbert P.

---

谢谢！我就觉得这应该是一些简单的东西。 - JBeFat