VC++SSE内在优化的怪事
-
18-09-2019 - |
题
我执行一个分散的读的8位数据的数据从一个文件(De-交织的64频道波文件)。我然后将它们合并为单一的字节流。这问题我有是我的重新建设的数据,以编写出来的。
基本上,我在阅读16字节和后建设成一个单__m128i变量,然后使用_mm_stream_ps写的价值回记忆。但是我有一些奇怪的性能的结果。
在我的第一个方案使用_mm_set_epi8内设置我__m128i如下:
const __m128i packedSamples = _mm_set_epi8( sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8,
sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 );
基本上我离开这一切的编译器,来决定如何优化,它得到最佳绩效。这给最糟糕的表现。我试运行在~0.195秒钟。
第二,我试图合并下通过使用4_mm_set_epi32指示和包装然后他们下:
const __m128i samples0 = _mm_set_epi32( sample3, sample2, sample1, sample0 );
const __m128i samples1 = _mm_set_epi32( sample7, sample6, sample5, sample4 );
const __m128i samples2 = _mm_set_epi32( sample11, sample10, sample9, sample8 );
const __m128i samples3 = _mm_set_epi32( sample15, sample14, sample13, sample12 );
const __m128i packedSamples0 = _mm_packs_epi32( samples0, samples1 );
const __m128i packedSamples1 = _mm_packs_epi32( samples2, samples3 );
const __m128i packedSamples = _mm_packus_epi16( packedSamples0, packedSamples1 );
这并提高性能。我现在测试运行在~0.15秒钟。似乎是反直觉的,性能就会提高通过这样做,因为我认为这是到底是什么_mm_set_epi8是在做无论如何...
我的最后一次尝试使用的代码,我已经从四个CCs的老式方法(用的变化和ors),然后把它们放在一个__m128i使用一个单一的_mm_set_epi32.
const GCui32 samples0 = MakeFourCC( sample0, sample1, sample2, sample3 );
const GCui32 samples1 = MakeFourCC( sample4, sample5, sample6, sample7 );
const GCui32 samples2 = MakeFourCC( sample8, sample9, sample10, sample11 );
const GCui32 samples3 = MakeFourCC( sample12, sample13, sample14, sample15 );
const __m128i packedSamples = _mm_set_epi32( samples3, samples2, samples1, samples0 );
这使甚至更好的性能。把~0.135秒跑我的测试。我真的开始变得混淆。
所以我试着一个简单的阅读字写字节系统,这是永远的-所以-稍微快一点甚至比上次的方法。
这是怎么回事?这一切似乎违反直觉到我。
我认为,拖延都发生在_mm_stream_ps因为我提供的数据太快但是然后我会得到完全相同的结果出来不管我做的。它是可能的,第2个方法意味着16载荷不能获得通过环隐藏等待时间?如果那么,为什么是这?当一个内在允许编译器,使优化工作和其它高兴..我认为这是整点...还有当然执行16读和16写将远远低于16读和1编写一堆证杂耍的指示...之后所有的读和写,慢点!
任何人与任何想法什么事将不胜感激!D
编辑:进一步的评论如下我停止了预先加载字节的常量和changedit:
const __m128i samples0 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples1 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples2 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i samples3 = _mm_set_epi32( *(pSamples + channelStep3), *(pSamples + channelStep2), *(pSamples + channelStep1), *(pSamples + channelStep0) );
pSamples += channelStep4;
const __m128i packedSamples0 = _mm_packs_epi32( samples0, samples1 );
const __m128i packedSamples1 = _mm_packs_epi32( samples2, samples3 );
const __m128i packedSamples = _mm_packus_epi16( packedSamples0, packedSamples1 );
这改进的性能来-0.143秒钟。Sitll不如直C执行...
编辑再次:最好的表现我越来越迄今为止,
// Load the samples.
const GCui8 sample0 = *(pSamples + channelStep0);
const GCui8 sample1 = *(pSamples + channelStep1);
const GCui8 sample2 = *(pSamples + channelStep2);
const GCui8 sample3 = *(pSamples + channelStep3);
const GCui32 samples0 = Build32( sample0, sample1, sample2, sample3 );
pSamples += channelStep4;
const GCui8 sample4 = *(pSamples + channelStep0);
const GCui8 sample5 = *(pSamples + channelStep1);
const GCui8 sample6 = *(pSamples + channelStep2);
const GCui8 sample7 = *(pSamples + channelStep3);
const GCui32 samples1 = Build32( sample4, sample5, sample6, sample7 );
pSamples += channelStep4;
// Load the samples.
const GCui8 sample8 = *(pSamples + channelStep0);
const GCui8 sample9 = *(pSamples + channelStep1);
const GCui8 sample10 = *(pSamples + channelStep2);
const GCui8 sample11 = *(pSamples + channelStep3);
const GCui32 samples2 = Build32( sample8, sample9, sample10, sample11 );
pSamples += channelStep4;
const GCui8 sample12 = *(pSamples + channelStep0);
const GCui8 sample13 = *(pSamples + channelStep1);
const GCui8 sample14 = *(pSamples + channelStep2);
const GCui8 sample15 = *(pSamples + channelStep3);
const GCui32 samples3 = Build32( sample12, sample13, sample14, sample15 );
pSamples += channelStep4;
const __m128i packedSamples = _mm_set_epi32( samples3, samples2, samples1, samples0 );
_mm_stream_ps( pWrite + 0, *(__m128*)&packedSamples );
这给我处理~0.095秒,这相当好。我不会出现能够得到密切与上海证券虽然...我仍然感到困惑,但是..ho嗡嗡声。
解决方案
也许编译器是试图把所有的参数征入寄存器。你不想要访问的许多变量在一次没有举办。
而不是宣布一个单独的标识符为每个样本,试图将它们放入一个 char[16]
.编译器将促进16值寄存器,因为它认为合适的,因为只要你不需要地址的任何内的阵列。你可以添加一个 __aligned__
标记(或任何VC++使用)和也许避免的特性。否则,呼吁所固有用 ( sample[15], sample[14], sample[13] … sample[0] )
应该让编译器的工作更加容易,或者至少不伤害。
编辑: 我敢肯定你在打一场注册溢出,但这一建议很可能将仅存储字节的独立,它并不是你想要什么。我觉得我的建议是交错你最后一次尝试(使用MakeFourCC)读取行动,以确保它的计划正确的,并没有圆的旅行。当然,检验的目的代码的最佳方式是确保这一点。
基本上,你是流媒体的数据到登记文件,然后流它回来了。你不要超载它之前的时间来刷新的数据。
其他提示
VS是在优化内在众所周知的不良。特别是从和到SSE寄存器移动数据。内部函数本身是用来很好但是......。
你所看到的是,它试图填补上证所与这个庞然大物注册:
00AA100C movzx ecx,byte ptr [esp+0Fh]
00AA1011 movzx edx,byte ptr [esp+0Fh]
00AA1016 movzx eax,byte ptr [esp+0Fh]
00AA101B movd xmm0,eax
00AA101F movzx eax,byte ptr [esp+0Fh]
00AA1024 movd xmm2,edx
00AA1028 movzx edx,byte ptr [esp+0Fh]
00AA102D movd xmm1,ecx
00AA1031 movzx ecx,byte ptr [esp+0Fh]
00AA1036 movd xmm4,ecx
00AA103A movzx ecx,byte ptr [esp+0Fh]
00AA103F movd xmm5,edx
00AA1043 movzx edx,byte ptr [esp+0Fh]
00AA1048 movd xmm3,eax
00AA104C movzx eax,byte ptr [esp+0Fh]
00AA1051 movdqa xmmword ptr [esp+60h],xmm0
00AA1057 movd xmm0,edx
00AA105B movzx edx,byte ptr [esp+0Fh]
00AA1060 movd xmm6,eax
00AA1064 movzx eax,byte ptr [esp+0Fh]
00AA1069 movd xmm7,ecx
00AA106D movzx ecx,byte ptr [esp+0Fh]
00AA1072 movdqa xmmword ptr [esp+20h],xmm4
00AA1078 movdqa xmmword ptr [esp+80h],xmm0
00AA1081 movd xmm4,ecx
00AA1085 movzx ecx,byte ptr [esp+0Fh]
00AA108A movdqa xmmword ptr [esp+70h],xmm2
00AA1090 movd xmm0,eax
00AA1094 movzx eax,byte ptr [esp+0Fh]
00AA1099 movdqa xmmword ptr [esp+10h],xmm4
00AA109F movdqa xmmword ptr [esp+50h],xmm6
00AA10A5 movd xmm2,edx
00AA10A9 movzx edx,byte ptr [esp+0Fh]
00AA10AE movd xmm4,eax
00AA10B2 movzx eax,byte ptr [esp+0Fh]
00AA10B7 movd xmm6,edx
00AA10BB punpcklbw xmm0,xmm1
00AA10BF punpcklbw xmm2,xmm3
00AA10C3 movdqa xmm3,xmmword ptr [esp+80h]
00AA10CC movdqa xmmword ptr [esp+40h],xmm4
00AA10D2 movd xmm4,ecx
00AA10D6 movdqa xmmword ptr [esp+30h],xmm6
00AA10DC movdqa xmm1,xmmword ptr [esp+30h]
00AA10E2 movd xmm6,eax
00AA10E6 punpcklbw xmm4,xmm5
00AA10EA punpcklbw xmm4,xmm0
00AA10EE movdqa xmm0,xmmword ptr [esp+50h]
00AA10F4 punpcklbw xmm1,xmm0
00AA10F8 movdqa xmm0,xmmword ptr [esp+70h]
00AA10FE punpcklbw xmm6,xmm7
00AA1102 punpcklbw xmm6,xmm2
00AA1106 movdqa xmm2,xmmword ptr [esp+10h]
00AA110C punpcklbw xmm2,xmm0
00AA1110 movdqa xmm0,xmmword ptr [esp+20h]
00AA1116 punpcklbw xmm1,xmm2
00AA111A movdqa xmm2,xmmword ptr [esp+40h]
00AA1120 punpcklbw xmm2,xmm0
00AA1124 movdqa xmm0,xmmword ptr [esp+60h]
00AA112A punpcklbw xmm3,xmm0
00AA112E punpcklbw xmm2,xmm3
00AA1132 punpcklbw xmm6,xmm4
00AA1136 punpcklbw xmm1,xmm2
00AA113A punpcklbw xmm6,xmm1
此的效果要好得多和(应)容易更快:
__declspec(align(16)) BYTE arr[16] = { sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8, sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 };
__m128i packedSamples = _mm_load_si128( (__m128i*)arr );
建立自己的测试平台:
void f()
{
const int steps = 1000000;
BYTE* pDest = new BYTE[steps*16+16];
pDest += 16 - ((ULONG_PTR)pDest % 16);
BYTE* pSrc = new BYTE[steps*16*16];
const int channelStep0 = 0;
const int channelStep1 = 1;
const int channelStep2 = 2;
const int channelStep3 = 3;
const int channelStep4 = 16;
__int64 freq;
QueryPerformanceFrequency( (LARGE_INTEGER*)&freq );
__int64 start = 0, end;
QueryPerformanceCounter( (LARGE_INTEGER*)&start );
for( int step = 0; step < steps; ++step )
{
__declspec(align(16)) BYTE arr[16];
for( int j = 0; j < 4; ++j )
{
//for( int i = 0; i < 4; ++i )
{
arr[0+j*4] = *(pSrc + channelStep0);
arr[1+j*4] = *(pSrc + channelStep1);
arr[2+j*4] = *(pSrc + channelStep2);
arr[3+j*4] = *(pSrc + channelStep3);
}
pSrc += channelStep4;
}
#if test1
// test 1 with C
for( int i = 0; i < 16; ++i )
{
*(pDest + step * 16 + i) = arr[i];
}
#else
// test 2 with SSE load/store
__m128i packedSamples = _mm_load_si128( (__m128i*)arr );
_mm_stream_si128( ((__m128i*)pDest) + step, packedSamples );
#endif
}
QueryPerformanceCounter( (LARGE_INTEGER*)&end );
printf( "%I64d", (end - start) * 1000 / freq );
}
有关我测试2是更快然后测试1。
难道我做错了什么?这是不是你正在使用的代码?我怎么错过?这只是我吗?
使用内联函数编译器断裂的优化!
的固有功能整点是插入操作码编译器不知道为操作码的流中的编译器不知道和已经产生。除非编译器给出关于操作码和它如何影响寄存器和存储器的一些元数据,编译器不能假设任何数据正在执行的内在后保留。这确实伤害编译器的优化部分 - 它不能重新排序围绕固有的指令,所以不能假定寄存器不受影响等
我想优化这个最好的办法是看的大局观 - 你需要从源数据读取写入到最终输出考虑整个过程。微的优化很少给大的结果,除非你正在做一些实在太差开始。
也许,如果你这里详细所需的输入和输出有人能提出一个最佳的方法来处理它。