_ftol2_sse，有更快的选择吗？

Question

我的代码调用了很多

int myNumber = (int)(floatNumber);

总共占用了我大约 10% 的 CPU 时间（根据分析器）。虽然我可以把它留在那里，但我想知道是否有更快的选择，所以我尝试四处搜索，偶然发现

http://devmaster.net/forums/topic/7804-fast-int-float-conversion-routines/ http://stereopsis.com/FPU.html

我尝试实现那里给出的 Real2Int() 函数，但它给了我错误的结果，并且运行速度较慢。现在我想知道，是否有更快的实现将双精度/浮点值设置为整数，或者 SSE2 版本是否尽可能快？我发现的页面有点早，所以它可能已经过时了，而新的 STL 在这方面更快。

当前的实现是：

013B1030  call        _ftol2_sse (13B19A0h)

013B19A0  cmp         dword ptr [___sse2_available (13B3378h)],0  
013B19A7  je          _ftol2 (13B19D6h)  
013B19A9  push        ebp  
013B19AA  mov         ebp,esp  
013B19AC  sub         esp,8  
013B19AF  and         esp,0FFFFFFF8h  
013B19B2  fstp        qword ptr [esp]  
013B19B5  cvttsd2si   eax,mmword ptr [esp]  
013B19BA  leave  
013B19BB  ret  

我发现的相关问题：

Fast float to int conversion and floating point precision on ARM (iPhone 3GS/4)

What is the fastest way to convert float to int on x86

由于两者都是旧的，或者是基于 ARM 的，我想知道是否有当前的方法可以做到这一点。请注意，它说最好的转换是不会发生的，但我需要它，所以这是不可能的。

Answer 1

如果您的目标是通用 x86 硬件，那将是难以超越的。运行时不确定目标机器是否有 SSE 单元。如果是这样，它可以做 x64 编译器所做的事情并内联 cvttss2si 操作码。但是由于运行时必须检查 SSE 单元是否可用，因此您只剩下当前的实现。这就是 ftol2_sse 的实现。更重要的是，它将值传递到 x87 寄存器中，然后如果 SSE 单元可用，则将其传输到 SSE 寄存器。

您可以告诉 x86 编译器以具有 SSE 单元的机器为目标。然后编译器确实会发出一个简单的cvttss2si 内联操作码。这将尽可能快。但是，如果您在旧机器上运行代码，那么它将失败。也许您可以提供两种版本，一种用于具有 SSE 的机器，一种用于没有 SSE 的机器。

这不会让你获得那么多。它只是为了避免 ftol2_sse 的所有开销，这些开销发生在您实际到达完成工作的 cvttss2si 操作码之前。

要从 IDE 更改编译器设置，请使用项目 > 属性 > 配置属性 > C/C++ > 代码生成 > 启用增强指令集。在命令行上是 /arch:SSE 或 /arch:SSE2。

Answer 2

对于double，我不认为你能改进结果，但如果你有很多floats 需要转换，使用打包转换可能会有所帮助，以下是nasm 代码：

global _start

section .data
  align 16
  fv1:  dd 1.1, 2.5, 2.51, 3.6

section .text
  _start:

  cvtps2dq  xmm1, [fv1] ; Convert four 32-bit(single precision) floats to 32-bit(double word) integers and place the result in xmm1 

应该有内在函数代码可以让您以更简单的方式做同样的事情，但我不熟悉使用内在函数库。虽然您没有使用 gcc，但这篇文章 Auto-vectorization with gcc 4.7 让您大开眼界，让编译器生成良好的矢量化代码是多么困难。

Answer 3

如果您需要速度和大量目标机器，您最好引入所有算法的快速 SSE 版本以及通用算法 - 并选择要在更高级别执行的算法。

这也意味着 ABI 也针对 SSE 进行了优化；并且您可以在可用时对计算进行矢量化，并且控制逻辑也针对架构进行了优化。

顺便说一句。在 Pentium 上，即使 FLD; FIST 序列也应该不超过 ~7 个时钟周期。