VC ++ SSE固有の最適化おかしな
-
18-09-2019 - |
質問
Iは、(64チャネル波ファイルをデインターリーブ)ファイルから8ビットデータの散乱読み出しを行っております。私は、バイトの単一のストリームであることを、それらを組み合わせています。私がいる問題は、書き出すデータの私の再構築である。
基本的に私は、16バイトの読み込み、その後、単一__m128i変数にそれらを構築してから戻ってメモリにタイムアウト値を書き込むこと_mm_stream_psを使用しています。しかし、私はいくつかの奇妙なパフォーマンスの結果を持っています。
私は次のように私の__m128iを設定する固有_mm_set_epi8を使用し、私の最初の方式でます:
const __m128i packedSamples = _mm_set_epi8( sample15, sample14, sample13, sample12, sample11, sample10, sample9, sample8,
sample7, sample6, sample5, sample4, sample3, sample2, sample1, sample0 );
は、基本的に私はそれが最高の性能を発揮するように最適化する方法を決定するために、コンパイラにすべてを任せます。これは、最悪のパフォーマンスを提供します。私のテストは〜0.195秒で実行されます。
第二に、私は4つの_mm_set_epi32命令を使用して、その後、それらを充填することによりダウンマージしようとした。
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 );
これはややパフォーマンスが向上しません。私のテストは今〜0.15秒で実行されます。
...私はこれが_mm_set_epi8はとにかくやっている正確に何であると仮定して、パフォーマンスがこれを行うことによって改善することを直感的に思え私の最後の試みは、4つのCC(シフトとORSとの)昔ながらの方法を作った後、単一_mm_set_epi32を使用して__m128iでそれらを入れてから、私が持っているコードのビットを使用することでした。
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 );
これは、より良いパフォーマンスを提供します。私のテストを実行するために〜0.135秒を取ります。私は本当に混乱し始めています。
だから私は、単純な読み取りバイト書き込みバイトのシステムを試してみましたが、それは今まで、それほどわずかでも最後の方法よりも高速です。
だから何が起こっているの?これは、すべて私には直感的と思われる。
私はあまりにも迅速にデータを供給していますので、私は遅延が_mm_stream_psにoccuringしているという考えを検討してきましたが、その後、私は私が何でもまったく同じ結果を出すためにでしょう。それは最初の2つの方法は、16の負荷は、レイテンシを隠蔽するためにループを介して流通得ることができないことを意味していることは可能ですか?もしそうなら、なぜこれは何ですか?確かに固有のコンパイラのように最適化を行うことができますし、どこそれが喜ば..私はそれが全体のポイントだと思った...また確実に16を実行すると、読み込み、16の書き込みは16よりもはるかに遅くなります読み込み、SSEジャグリングの束と1個の書き込み指示...そのすべてのインクルードの読み取りと遅いビットであることを書き込みした後!
が起こっていただきました!任意のアイデアをお持ちの方がはるかに理解されるであろう! :D
編集:私はこれに定数やchangeditとしてバイトをプリロード停止以下のコメントへのさらなるます:
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 );
や〜0.143秒にこの性能向上。ストレートC実装としてSitll良くない...
アゲイン編集:私は、これまでに取得しています最高のパフォーマンスがある。
// 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 );
これはかなり良いです〜0.095秒で処理する私を与えます。私はまだそのけどで混乱しています...しかしSSEに近づくことができるように表示されません... HOハムます。
解決
おそらく、コンパイラは一度レジスタに固有のすべての引数を入れしようとしています。あなたはそれらを整理することなく、一度に多くの変数にアクセスする必要はありません。
各サンプルについて個別の識別子を宣言するのではなく、char[16]
にそれらを入れてみてください。コンパイラは、限り、あなたは配列内の何のアドレスを取ることはありませんように、それが適当と考えるようレジスタに16個の値を推進していきます。あなたは__aligned__
タグを追加する(または任意のVC ++の使用)と、おそらく完全に固有のを回避することができます。それ以外の場合は、( sample[15], sample[14], sample[13] … sample[0] )
に固有の呼び出しが容易コンパイラの仕事をしなければならないか、少なくとも害を行いません。
の編集の私は、レジスタスピルを戦っているかなり確信しているが、その提案はおそらくあなたが望むものではありませんこれは、個別のバイトを格納します。私は私のアドバイスは、それが正しくスタックにノー往復でスケジュールだことを確認するために、読み取り操作であなたの最後の試み(MakeFourCCを使用して)をインターリーブすることだと思います。もちろん、オブジェクトコードの検査はそれを確保するための最良の方法である。
基本的に、あなたはレジスタファイルにデータをストリーミングして、それをバックストリーミングしています。それはデータをフラッシュする時が来た前に、あなたはそれをオーバーロードする必要はありません。
他のヒント
VSは、組み込み関数の最適化で悪名高い悪いです。特にから、およびSSEレジスタにデータを移動させます。組み込み関数自体が...しかし、かなりよく使用されています。
あなたは何を参照してください、この怪物とSSEレジスタを埋めるためにしようとしていることです。
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
この非常にうまく機能し、簡単に速くなる(はずです):
__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 );
<時間>
私自身のテストベッドを構築します:
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 );
}
私にとってはテスト2テスト1その後、高速です。
私が何か間違ったことをしますか?これは、使用しているコードではありませんか?私は何を欠場か?これはちょうど私のためですか?
組み込み関数ブレークコンパイラの最適化を使用!
組み込み関数の全体のポイントは、コンパイラが生成した程度と知っているんオペコードの流れの中に、コンパイラが認識していないオペコードを挿入することです。コンパイラは、オペコードについてのいくつかのメタデータを与えられ、それは、レジスタやメモリにどのように影響するかをされていない限り、コンパイラは、任意のデータが固有の実行後に保存されていることを仮定することはできません。これは本当に、コンパイラの最適化一部を痛い - 。それは本来の周りの指示の順序を変更することはできません、それはレジスタがように影響を受けず、仮定することはできません。
私はこれを最適化するための最善の方法は、より大きな絵を見ていると思う - あなたが最終的な出力を書くことに、ソースデータの読み込みからプロセス全体を考慮する必要があります。あなたが開始するために、本当にひどく何かをやっている場合を除き、マイクロ最適化はほとんど、大きな成果が得られていない。
おそらく、ここで詳細であれば、必要な入力と出力の誰かがそれを処理するための最適な方法を提案することができます。