答案在第一个区块中:
__m128 ai_v = _mm_loadu_ps(&a[i]);
__m128 two_v = _mm_set1_ps(2);
__m128 ai2_v = _mm_mul_ps(ai_v,two_v);
_mm_storeu_ps(&b[i],ai2_v);
它已经一次性处理了四个变量。
以下是完整的程序,其中等效部分的代码已被注释掉:
#include <iostream>
int main()
{
int i{0};
float a[10] ={1,2,3,4,5,6,7,8,9,10};
float b[10] ={0,0,0,0,0,0,0,0,0,0};
int n = 10;
int unroll = (n/4)*4;
for (i=0; i<unroll; i+=4) {
__m128 ai_v = _mm_loadu_ps(&a[i]);
__m128 two_v = _mm_set1_ps(2);
__m128 ai2_v = _mm_mul_ps(ai_v,two_v);
_mm_storeu_ps(&b[i],ai2_v);
}
for (; i<n; i++) {
b[i] = a[i]*2;
}
for (auto i : a) { std::cout << i << "\t"; }
std::cout << "\n";
for (auto i : b) { std::cout << i << "\t"; }
std::cout << "\n";
return 0;
}
关于效率问题:似乎在我的系统上,汇编生成了movups
指令,而手动编写的代码可以使用movaps
,这应该更快。
我使用下面的程序进行基准测试:
#include <iostream>
#define SSE_UNROLL_ALIGNED
int main()
{
const size_t array_size = 100003;
#ifdef SSE_UNROLL_ALIGNED
__declspec(align(16)) int i{0};
__declspec(align(16)) float a[array_size] ={1,2,3,4,5,6,7,8,9,10};
__declspec(align(16)) float b[array_size] ={0,0,0,0,0,0,0,0,0,0};
#endif
#ifndef SSE_UNROLL_ALIGNED
int i{0};
float a[array_size] ={1,2,3,4,5,6,7,8,9,10};
float b[array_size] ={0,0,0,0,0,0,0,0,0,0};
#endif
int n = array_size;
int unroll = (n/4)*4;
for (size_t j{0}; j < 100000; ++j) {
#ifdef NO_UNROLL
for (i=0; i<n; i++) {
b[i] = a[i]*2;
}
#endif
#ifdef UNROLL
for (i=0; i<unroll; i+=4) {
b[i] = a[i]*2;
b[i+1] = a[i+1]*2;
b[i+2] = a[i+2]*2;
b[i+3] = a[i+3]*2;
}
#endif
#ifdef SSE_UNROLL
for (i=0; i<unroll; i+=4) {
__m128 ai_v = _mm_loadu_ps(&a[i]);
__m128 two_v = _mm_set1_ps(2);
__m128 ai2_v = _mm_mul_ps(ai_v,two_v);
_mm_storeu_ps(&b[i],ai2_v);
}
#endif
#ifdef SSE_UNROLL_ALIGNED
for (i=0; i<unroll; i+=4) {
__m128 ai_v = _mm_load_ps(&a[i]);
__m128 two_v = _mm_set1_ps(2);
__m128 ai2_v = _mm_mul_ps(ai_v,two_v);
_mm_store_ps(&b[i],ai2_v);
}
#endif
#ifndef NO_UNROLL
for (; i<n; i++) {
b[i] = a[i]*2;
}
#endif
}
return 0;
}
我得到了以下结果(x86):
NO_UNROLL
: 0.994 秒,编译器未选择SSE指令集
UNROLL
: 3.511 秒,使用movups
SSE_UNROLL
: 3.315 秒,使用movups
SSE_UNROLL_ALIGNED
: 3.276 秒,使用movaps
因此,在这种情况下展开循环并没有帮助。即使确保我们使用更有效的movaps
也没有多大帮助。
但是当编译为64位(x64)时,我得到了一个更奇怪的结果:
NO_UNROLL
: 1.138 秒,编译器未选择SSE指令集
UNROLL
: 1.409 秒,编译器未选择SSE指令集
SSE_UNROLL
: 1.420 秒,编译器仍未选择SSE指令集!
SSE_UNROLL_ALIGNED
: 1.476 秒,编译器仍未选择SSE指令集!
看来MSVC能够理解优化的建议并生成更好的汇编代码。尽管如此,它仍然比没有尝试任何手动优化慢。
_mm_mul_ps
来乘以2?为什么不使用_mm_sll_epi32
或者只是一个单独的_mm_add_ps(ai_v, ai_v)
?不需要单独的two2_v
。 - phuclv_mm_add_ps
而不是ss
。此外,整数移位对 FP 数据不会产生所需的结果。 - Peter Cordes