这是我尝试使用 SSE 加速的示例 C 代码，这两个数组的长度为 3072 个元素，带有双精度数，如果我不需要双精度数，可以将其降为浮点数。
double sum = 0.0;
for(k = 0; k < 3072; k++) {
sum += fabs(sima[k] - simb[k]);
}
double fp = (1.0 - (sum / (255.0 * 1024.0 * 3.0)));
无论如何，我目前的问题是如何在 SSE 寄存器中为双精度或浮点数执行 fabs 步骤，以便我可以将整个计算保留在 SSE 寄存器中，使其保持快速，并且我可以通过部分展开来并行化所有步骤这个循环。
这是我找到的一些资源 fabs() asm 或者可能是这个 flipping the sign - SO 但是第二个资源的弱点需要条件检查。
【问题讨论】：
我建议使用按位并带有掩码。正负值表示相同，只有最高位不同，正值为0，负值为1，见double precision number format。您可以使用以下之一：
inline __m128 abs_ps(__m128 x) {
static const __m128 sign_mask = _mm_set1_ps(-0.f); // -0.f = 1 << 31
return _mm_andnot_ps(sign_mask, x);
}
inline __m128d abs_pd(__m128d x) {
static const __m128d sign_mask = _mm_set1_pd(-0.); // -0. = 1 << 63
return _mm_andnot_pd(sign_mask, x); // !sign_mask & x
}
此外，展开循环以中断循环携带的依赖链可能是个好主意。由于这是非负值的总和，因此求和的顺序并不重要：
double norm(const double* sima, const double* simb) {
__m128d* sima_pd = (__m128d*) sima;
__m128d* simb_pd = (__m128d*) simb;
__m128d sum1 = _mm_setzero_pd();
__m128d sum2 = _mm_setzero_pd();
for(int k = 0; k < 3072/2; k+=2) {
sum1 += abs_pd(_mm_sub_pd(sima_pd[k], simb_pd[k]));
sum2 += abs_pd(_mm_sub_pd(sima_pd[k+1], simb_pd[k+1]));
}
__m128d sum = _mm_add_pd(sum1, sum2);
__m128d hsum = _mm_hadd_pd(sum, sum);
return *(double*)&hsum;
}
通过展开和打破依赖关系（sum1 和 sum2 现在是独立的），您可以让处理器按顺序执行加法运算。由于指令是在现代 CPU 上流水线化的，因此 CPU 可以在前一个指令完成之前开始处理新指令。此外，按位运算在单独的执行单元上执行，CPU 实际上可以在与加法/减法相同的周期内执行它。我建议Agner Fog's optimization manuals。
最后，我不推荐使用 openMP。循环太小，在多个线程之间分配作业的开销可能大于任何潜在的好处。
【讨论】：
-x 和 x 的最大值应该是 abs(x)。代码如下：
x = _mm_max_ps(_mm_sub_ps(_mm_setzero_ps(), x), x)
【讨论】：
可能最简单的方法如下：
__m128d vsum = _mm_set1_pd(0.0); // init partial sums
for (k = 0; k < 3072; k += 2)
{
__m128d va = _mm_load_pd(&sima[k]); // load 2 doubles from sima, simb
__m128d vb = _mm_load_pd(&simb[k]);
__m128d vdiff = _mm_sub_pd(va, vb); // calc diff = sima - simb
__m128d vnegdiff = mm_sub_pd(_mm_set1_pd(0.0), vdiff); // calc neg diff = 0.0 - diff
__m128d vabsdiff = _mm_max_pd(vdiff, vnegdiff); // calc abs diff = max(diff, - diff)
vsum = _mm_add_pd(vsum, vabsdiff); // accumulate two partial sums
}
请注意，这可能不会比现代 x86 CPU 上的标量代码快，后者通常有两个 FPU。但是，如果您可以降低到单精度，那么您很可能会获得 2 倍的吞吐量提升。
另请注意，您需要在循环后将 vsum 中的两个部分和合并为一个标量值，但这很简单，对性能不是很重要。
【讨论】：