将常量浮点数加载到 SSE 寄存器中答案

【问题标题】：Load constant floats into SSE registers将常量浮点数加载到 SSE 寄存器中
【发布时间】：2011-02-15 18:31:58
【问题描述】：

我正在尝试找出一种将编译时间常数浮点数加载到 SSE(2/3) 寄存器中的有效方法。我试过做这样的简单代码，

const __m128 x = { 1.0f, 2.0f, 3.0f, 4.0f };

但这会从内存中生成 4 条 movss 指令！

movss       xmm0,dword ptr [__real@3f800000 (14048E534h)] 
movss       xmm1,dword ptr [__real@40000000 (14048E530h)] 
movaps      xmm6,xmm12 
shufps      xmm6,xmm12,0C6h 
movss       dword ptr [rsp],xmm0 
movss       xmm0,dword ptr [__real@40400000 (14048E52Ch)] 
movss       dword ptr [rsp+4],xmm1 
movss       xmm1,dword ptr [__real@40a00000 (14048E528h)]

将标量加载到内存中和从内存中加载出来...（？！？！）

虽然这样做..

float Align(16) myfloat4[4] = { 1.0f, 2.0f, 3.0f, 4.0f, }; // out in global scope

生成。

movaps      xmm5,xmmword ptr [::myarray4 (140512050h)]

理想情况下，如果我有常量，那就太好了，它们甚至可以不触及内存，只需使用立即样式指令（例如编译到指令本身中的常量）即可。

谢谢

【问题讨论】：

对于高性能 SSE/2 代码，我强烈建议使用 GCC/ICC。阅读此内容以了解有关原因的更多信息 - liranuna.com/sse-intrinsics-optimizations-in-popular-compilers

标签： assembly sse

【解决方案1】：

如果你想强制它单次加载，你可以试试（gcc）：

__attribute__((aligned(16))) float vec[4] = { 1.0f, 1.1f, 1.2f, 1.3f };
__m128 v = _mm_load_ps(vec); // edit by sor: removed the "&" cause its already an address

如果您有 Visual C++，请使用 __declspec(align(16)) 请求正确的约束。

在我的系统上，这个（使用 gcc -m32 -msse -O2 编译；根本没有优化使代码混乱，但最后仍保留单个 movaps）创建以下汇编代码（gcc / AT&T 语法）：

    andl    $-16, %esp
    subl    $16, %esp
    movl    $0x3f800000, (%esp)
    movl    $0x3f8ccccd, 4(%esp)
    movl    $0x3f99999a, 8(%esp)
    movl    $0x3fa66666, 12(%esp)
    movaps  (%esp), %xmm0

请注意，它会在分配堆栈空间并将常量放入其中之前对齐堆栈指针。离开__attribute__((aligned)) 可能会根据您的编译器创建不正确的代码，因此请注意并检查反汇编。

另外：
由于您一直在询问如何将常量放入代码中，因此只需在static 数组中使用static 限定符即可。这将创建以下程序集：

    movaps  vec.7330, %xmm0
    ...
vec.7330:
    .long   1065353216
    .long   1066192077
    .long   1067030938
    .long   1067869798

【讨论】：

【解决方案2】：

首先，您在什么优化级别进行编译？在 -O0 或 -O1 上看到这种代码生成并不少见，但在大多数编译器中看到 -O2 或更高版本时我会感到非常惊讶。

其次，SSE 中没有立即加载。您可以立即对 GPR 执行加载，然后将该值移动到 SSE，但您无法在没有实际加载的情况下生成其他值（忽略某些特殊值，例如 0 或 (int)-1，可以通过逻辑运算生成。

最后，如果错误代码是在启用优化的情况下生成的并且位于性能关键位置，请针对您的编译器提交错误。

【讨论】：

我肯定在 -02 编译，所以看起来 Visual Studio 的代码生成很糟糕。随着我做更多的研究，这似乎是共识，大多数人不将 VC 用于 SSE，而只是使用汇编或其他编译器
@coderdave：那么请提交一个针对 VS 的错误。 MS 知道他们应该为这个问题投入资源的唯一方法是人们抱怨它。
虽然 SSE 不会立即加载（除了 pxor 用于零或 pcmpeq 用于零的技巧）它会从内存中加载 _mm_load_ps()，因此创建一个堆栈上的数组并从那里加载 SSE 寄存器。

【解决方案3】：

通常情况下，此类常量会在任何循环或代码的“热”部分之前加载，因此性能应该不是那么重要。但是如果你不能避免在循环中做这种事情，那么我会先尝试_mm_set_ps，看看会产生什么。也可以尝试使用 ICC 而不是 gcc，因为它往往会生成更好的代码。

【讨论】：

我正在使用 Visual Studio 并且 _mm_set_ps 正在生成更多 movss。我认为 Visual Studio 编译器非常糟糕。
@coderdave: 是的，Visual Studio 生成了非常糟糕的 SSE 代码 - 使用 SSE 也很痛苦，因为它有各种愚蠢的 ABI 限制和其他烦恼 - 如果可以的话，使用 gcc 或更好的 ICC

【解决方案4】：

如果四个浮点常量相同，生成常量会更简单（也更快）。例如，1.f 的位模式是 0x3f800000。一种可以使用 SSE2 生成的方法

        register __m128i onef;
        __asm__ ( "pcmpeqb %0, %0" : "=x" ( onef ) );
        onef = _mm_slli_epi32( onef, 25 );
        onef = _mm_srli_epi32( onef, 2 );

SSE4.1 的另一种方法是，

        register uint32_t t = 0x3f800000;
        register __m128 onef;
        __asm__ ( "pinsrd %0, %1, 0" : "=x" ( onef ) : "r" ( t ) );
        onef = _mm_shuffle_epi32( onef, 0 );

请注意，如果这个版本比 SSE2 更快，我不肯定，没有对其进行分析，仅测试结果是正确的。

如果四个浮点数中的每一个的值必须不同，则可以生成每个常量并将其混洗或混合在一起。

这是否有用取决于是否可能发生缓存未命中，否则从内存中加载常量会更快。像这样的技巧在 vmx/altivec 中非常有用，但大多数 pc 上的大缓存可能会降低这对 sse 的用处。

Agner Fog's Optimization Manual, book 2, section 13.4, http://www.agner.org/optimize/对此进行了很好的讨论。

最后说明，上面使用内联汇编器是 gcc 特有的，原因是允许使用未初始化的变量而不产生编译器警告。用vc，你可能需要也可能不需要先用_mm_setzero_ps()初始化变量，然后希望优化器能去掉这个。

【讨论】：