用 SSE 在 C++ 中将两个 32 位整数向量相乘的最快方法答案

【问题标题】：Fastest way to multiply two vectors of 32bit integers in C++, with SSE用 SSE 在 C++ 中将两个 32 位整数向量相乘的最快方法
【发布时间】：2013-06-23 19:21:31
【问题描述】：

我有两个无符号向量，大小均为 4

vector<unsigned> v1 = {2, 4, 6, 8}
vector<unsigned> v2 = {1, 10, 11, 13}

现在我想将这两个向量相乘得到一个新的向量

vector<unsigned> v_result = {2*1, 4*10, 6*11, 8*13}

要使用什么 SSE 操作？是跨平台还是只有在某些特定平台上？

添加：如果我的目标是加法而不是乘法，我可以超快地完成：

__m128i a = _mm_set_epi32(1,2,3,4);
__m128i b = _mm_set_epi32(1,2,3,4);
__m128i c;
c = _mm_add_epi32(a,b);

【问题讨论】：

即使编译器可以推断出足够多的大小、对齐方式等来满足矢量化，我怀疑它会在这里使用 SSE，因为涉及的加载/存储成本。
你知道_mm_mul_ps吗？
@rwols: mulps 进行单精度乘法，OP 需要无符号整数乘法。
是的，但我不确定平台，它是否随处可用？如果不是，解决方法是什么？

标签： c++ x86 sse simd intrinsics

【解决方案1】：

对所有元素使用诸如_mm_set_epi32 之类的集合内在函数是低效的。最好使用负载内在函数。有关Where does the SSE instructions outperform normal instructions 的更多信息，请参阅此讨论。如果数组是 16 字节对齐的，您可以使用 _mm_load_si128 或 _mm_loadu_si128（对于对齐的内存，它们的效率几乎相同）否则使用 _mm_loadu_si128。但是对齐的内存效率更高。为了获得对齐的内存，我推荐_mm_malloc 和_mm_free，或C11 aligned_alloc，这样你就可以使用普通的free。

要回答您的其余问题，假设您已将两个向量加载到 SSE 寄存器 __m128i a 和 __m128i b 中

对于 SSE 版本 >=SSE4.1 使用

_mm_mullo_epi32(a, b);

没有 SSE4.1：

此代码是从 Agner Fog 的Vector Class Library 复制的（并被此答案的原作者抄袭）：

// Vec4i operator * (Vec4i const & a, Vec4i const & b) {
// #ifdef
__m128i a13    = _mm_shuffle_epi32(a, 0xF5);          // (-,a3,-,a1)
__m128i b13    = _mm_shuffle_epi32(b, 0xF5);          // (-,b3,-,b1)
__m128i prod02 = _mm_mul_epu32(a, b);                 // (-,a2*b2,-,a0*b0)
__m128i prod13 = _mm_mul_epu32(a13, b13);             // (-,a3*b3,-,a1*b1)
__m128i prod01 = _mm_unpacklo_epi32(prod02,prod13);   // (-,-,a1*b1,a0*b0) 
__m128i prod23 = _mm_unpackhi_epi32(prod02,prod13);   // (-,-,a3*b3,a2*b2) 
__m128i prod   = _mm_unpacklo_epi64(prod01,prod23);   // (ab3,ab2,ab1,ab0)

【讨论】：

【解决方案2】：

_mm_mul_epu32 仅适用于 SSE2 并使用 pmuludq 指令。因为它是 SSE2 指令，所以 99.9% 的 CPU 都支持它（我认为最现代的 CPU 是 AMD Athlon XP）。

它有一个显着的缺点，它一次只能乘以两个整数，因为它返回 64 位结果，并且您只能将其中两个放入寄存器中。这意味着您可能需要进行大量洗牌，这会增加成本。

【讨论】：

【解决方案3】：

可能 _mm_mullo_epi32 是您需要的，尽管它的预期用途是用于有符号整数。只要 v1 和 v2 非常小以至于这些整数的最高有效位为 0，这不会导致问题。它是 SSE 4.1。作为替代方案，您可能需要考虑 _mm_mul_epu32。

【讨论】：

符号与乘法的低位词无关。它不应该被记录为有符号的乘法 - 它不是，它是一个无符号的乘法。将add 记录为“签名添加”是一件愚蠢的事情。当然，他们对imul也犯了同样的错误。
@harold：我同意。好点子。 Intel SSE4 programming reference 中的表 2.1 让我很困惑。

【解决方案4】：

您可以（如果 SSE 4.1 可用）使用

__m128i _mm_mullo_epi32 (__m128i a, __m128i b);

将压缩的 32 位整数相乘。否则你必须洗牌两个包才能使用_mm_mul_epu32 两次。有关显式代码，请参阅@user2088790 的答案。

请注意，您也可以使用 _mm_mul_epi32，但那是 SSE4，所以无论如何您宁愿使用 _mm_mullo_epi32。

【讨论】：

对，我在问这个 _mm_mul_epi32 的平台。它是随处可用还是仅在少数地方可用？
请参阅Wikipedia/SSE4 了解有关它将出现的架构的信息。 AMD 自 K10 以来就拥有它，而英特尔自 Core 2 天以来就拥有它。
OP 似乎要求 32 位结果，而不是扩大/完全乘法 (32x32->64)。由于 SSE4.1 还添加了_mm_mullo_epi32 (pmulld)，它给出了四个 32 位的结果，这是错误的答案，@user2088790 的答案是正确的答案。 SSE4.1 的_mm_mul_epi32 是SSE2 _mm_mul_epu32 的签名版本。
@PeterCordes：答案说它是将低半部分乘以 64 位。它还说你需要再打电话给_mm_mul_epi32 以及一些洗牌。这基本上就是 user2088790 对未签名版本_mm_mul_epu32 的回答。但我承认，我建议使用 OP 表示无符号值的有符号内在函数。
@Pixelchemist：我的主要观点是，由于您的建议无论如何都需要 SSE4.1，因此您应该使用 _mm_mullo_epi32 来获得四个 32 位结果。请注意 user2088790 答案的 SSE4.1 部分。 _mm_mullo_epi32 比 _mm_mul_epu32 on some CPUs 慢，但仍然比两次乘法 + 改组快，因此它是 SSE4.1 的唯一有效答案。（另外，如果你扔掉上半部分，签名与未签名并不重要）。

【解决方案5】：

std::transform 将给定函数应用于范围并存储导致另一个范围

std::vector<unsigned> result;

std::transform( v1.begin()+1, v1.end(), v2.begin()+1, v.begin(),std::multiplies<unsigned>() );

【讨论】：