【发布时间】：2014-06-06 09:41:40
【问题描述】：
我喜欢测试SSE/SSE2 处理OpenCV's Mat 的增强。由于SSE's 性能增强仅对 16 字节对齐数据很明显，(1) 我需要修改 Mat 矩阵以与SSE 寄存器一起使用吗？我所做的如下，（2）这是正确的方法吗？
void test(Mat flowxy, Mat flowresult)
{
__m128 x, y, xsquare, ysquare, ybyx, xRecip , sum, r, theta ;//gen is for general purpose
float *input = (float*)(flowxy.data);
for(int i = 0; i < flowxy.rows; i++)
{
for(int j = 0; j + SSE_INCREMENT < flowxy.cols; j = j + SSE_INCREMENT)
{
x = _mm_set_ps(input[flowxy.step * (j+6) + i ], input[flowxy.step * (j+4) + i ], input[flowxy.step * (j+2) + i ], input[flowxy.step * (j) + i ]);
y = _mm_set_ps(input[flowxy.step * (j+7) + i ], input[flowxy.step * (j+5) + i ], input[flowxy.step * (j+3) + i ], input[flowxy.step * (j+1) + i ]);
xRecip = _mm_rcp_ps(x);
xsquare = _mm_mul_ps(x, x);
ysquare = _mm_mul_ps(y, y);
ybyx = _mm_mul_ps(xRecip , y);
sum = _mm_add_ps(xsquare, ysquare);
r = _mm_sqrt_ps(sum);
theta = taninverse(ybyx);
}
}
}
我按照here的讨论把设置_mm_set_ps的顺序颠倒过来了。
编辑 1：
void CObjectDetection_TrackingDlg::flow_XY_RTHETA(Mat flowxy, vector<Mat> &flowrtheta)
{
clock_t start;
clock_t finish;
start = clock();
flowrtheta.resize(2);
if(flowrtheta[0].empty() && flowrtheta[1].empty()){
flowrtheta[0].create(cvSize(flowxy.rows, flowxy.cols), CV_32FC1);
flowrtheta[1].create(cvSize(flowxy.rows, flowxy.cols), CV_32FC1);
}
vector<Mat> flowxy_S;
split(flowxy, flowxy_S);
printMatGrayDatainfloat(flowxy_S[0]);
printMatGrayDatainfloat(flowxy_S[1]);
//check SSE2 available
bool useSIMD = checkHardwareSupport(CV_CPU_SSE);
if( useSIMD )
{
__m128 x, y, xsquare, ysquare, ybyx, xRecip , sum, r, theta ;//gen is for general purpose
__declspec(align(16)) struct { int i, j; } sub;
for(sub.i = 0; sub.i < flowxy.rows; sub.i++)
{
const float *input_x = flowxy_S[0].ptr<float>(sub.i);
const float *input_y = flowxy_S[1].ptr<float>(sub.i);
float *output_r = flowrtheta[0].ptr<float>(sub.i);
float *output_t = flowrtheta[1].ptr<float>(sub.i);
for(sub.j = 0; sub.j + 4 < flowxy.cols; sub.j = sub.j + 4)
{
x = _mm_loadu_ps(&input_x[sub.j]);
y = _mm_loadu_ps(&input_y[sub.j]);
xRecip = _mm_rcp_ps(x);
xsquare = _mm_mul_ps(x, x);
ysquare = _mm_mul_ps(y, y);
ybyx = _mm_mul_ps(xRecip , y);
sum = _mm_add_ps(xsquare, ysquare);
r = _mm_sqrt_ps(sum);
theta = taninverse(ybyx);
_mm_storeu_ps(&output_r[sub.j], r);
_mm_storeu_ps(&output_t[sub.j], theta);
}
}
}
else
{
for(int i = 0; i < flowxy.rows; i++)
{
const float *input_x = flowxy_S[0].ptr<float>(i);
const float *input_y = flowxy_S[1].ptr<float>(i);
float *output_r = flowrtheta[0].ptr<float>(i);
float *output_t = flowrtheta[1].ptr<float>(i);
for(int j = 0; j < flowxy.cols; j++)
{
double x_sq = input_x[j] * input_x[j];
double y_sq = input_y[j] * input_y[j];
double y_by_x = input_y[j] / input_x[j];
output_r[j] = sqrt(x_sq + y_sq);
output_t[j] = atan(y_by_x);
}
}
}
flowxy_S[0].release();
flowxy_S[1].release();
finish = clock() - start;
double interval = finish / (double)CLOCKS_PER_SEC;
//printMatGrayDatainfloat(flowrtheta[0]);
//printMatGrayDatainfloat(flowrtheta[1]);
return;
}
【问题讨论】：
-
您的代码或多或少没问题，因为您没有进行任何需要 16 字节对齐的加载或存储。但是使用
_mm_set_ps效率非常低 - 您应该使用_mm_loadu_ps加载连续未对齐的数据，然后使用例如将元素随机排列到所需的顺序中。_mm_shuffle_ps. -
让我探索更多，并会和你在一起。我的 r 和 theta 是我需要写回 2 通道 Mat flowresult 的结果。最好的方法是什么？谢谢
-
您可以使用
_mm_storeu_ps将结果写回内存。 -
@PaulR 我已经更新了。我比较了 if{} 和 else{} 中的两个进程。 else{} 0.411msec 和 if{} 中的过程是 0.419msec。为什么 if{} 中的过程没有快四倍？是不是因为内存不对齐？
-
编译器可能无论如何都在向量化此代码，因此您可能无法从显式向量化中获得任何收益 - 查看为您的标量分支生成的代码，看看它是否包含 SSE 指令。另请注意，旧 CPU 上未对齐的加载/存储非常昂贵（如果这是例如 Core i7，您应该没问题）。