SSE字节和半字交换
我想使用SSE内在函数翻译此代码。
for (uint32_t i = 0; i > 16) & 0xFFFF) | (value << 16); } 是否有人知道执行16位字交换的内在函数？
pshufb （SSSE3）应该快于2个移位和一个OR。 此外，稍微修改shuffle掩码将启用endian转换，而不仅仅是字交换。
窃取Paul R的function结构，只需替换矢量内在函数：
void word_swapping_ssse3(uint32_t* dest, const uint32_t* src, size_t count) { size_t i; __m128i shufmask = _mm_set_epi8(13,12, 15,14, 9,8, 11,10, 5,4, 7,6, 1,0, 3,2); // _mm_set args go in big-endian order for some reason. for (i = 0; i + 4 <= count; i += 4) { __m128i s = _mm_loadu_si128((__m128i*)&src[i]); __m128i d = _mm_shuffle_epi8(s, shufmask); _mm_storeu_si128((__m128i*)&dest[i], d); } for ( ; i < count; ++i) // handle residual elements { uint32_t w = src[i]; w = (w >> 16) | (w << 16); dest[i] = w; } }
pshufb可以有一个内存操作数，但它必须是shuffle掩码，而不是要洗牌的数据。 因此，您不能将其用作混乱加载。 ：/
gcc不会为循环生成很好的代码。 主循环是
# src: r8. dest: rcx. count: rax. shufmask: xmm1 .L16: movq %r9, %rax .L3: # first-iteration entry point movdqu (%r8), %xmm0 leaq 4(%rax), %r9 addq $16, %r8 addq $16, %rcx pshufb %xmm1, %xmm0 movups %xmm0, -16(%rcx) cmpq %rdx, %r9 jbe .L16
由于所有的循环开销，并且需要单独的加载和存储指令，吞吐量每2个周期只有1次洗牌。 （8 jbe ，因为cmp宏与jbe ）。
一个更快的循环
shl $2, %rax # uint count -> byte count # check for %rax less than 16 and skip the vector loop # cmp / jsomething add %rax, %r8 # set up pointers to the end of the array add %rax, %rcx neg %rax # and count upwards toward zero .loop: movdqu (%r8, %rax), %xmm0 pshufb %xmm1, %xmm0 movups %xmm0, (%rcx, %rax) # IDK why gcc chooses movups for stores. Shorter encoding? add $16, %rax jl .loop # ... # scalar cleanup
与矢量ALU操作不同， movdqu加载可以使用复杂的寻址模式进行微熔合，所以除了商店之外，所有这些指令都是单uop，我相信。
这应该在每次迭代时以1个周期运行并且一些展开，因为add可以与jl微融合。 所以循环有5个uop。 其中3个是加载/存储操作，具有专用端口。 瓶颈是： pshufb只能在一个执行端口上运行（Haswell（SnB / IvB可以在端口1和5上运行pshufb ））。 每个周期一个商店（所有微博）。 最后，对于Intel CPU，每个时钟限制的4个融合域uop，应该可以在Nehalem和更高版本（uop循环缓冲区）上禁止缓存未命中。
展开会使每16B的融合域uop总数低于4.增加指针，而不是使用复杂的寻址模式，会让商店微融合。 （减少循环开销总是很好：让重新排序缓冲区填满未来的迭代意味着CPU在循环结束时遇到错误预测并返回到其他代码时有事情要做。）
这正是你通过展开内在函数循环所获得的，正如Elalfer正确地建议这是一个好主意。 使用gcc，如果不会使代码膨胀太多，请尝试-funroll-loops 。
顺便说一句，在加载或存储时，与其他代码混合使用时，字节交换可能会更好，而不是将缓冲区转换为单独的操作。
你问题中的标量代码实际上并不是字节交换（至少在字节序转换的意义上） – 它只是在32位字内交换高16位和低16位。 如果这是您想要的，那么只需重复使用上一个问题的解决方案 ，并进行适当的更改：
void byte_swapping(uint32_t* dest, const uint32_t* src, size_t count) { size_t i; for (i = 0; i + 4 <= count; i += 4) { __m128i s = _mm_loadu_si128((__m128i*)&src[i]); __m128i d = _mm_or_si128(_mm_slli_epi32(s, 16), _mm_srli_epi32(s, 16)); _mm_storeu_si128((__m128i*)&dest[i], d); } for ( ; i < count; ++i) // handle residual elements { uint32_t w = src[i]; w = (w >> 16) | (w << 16); dest[i] = w; } }