将常量浮点数加载到 SSE 寄存器中

Question

我正在尝试找出一种将编译时常量浮点数加载到 SSE(2/3) 寄存器中的有效方法。我尝试过编写这样的简单代码，

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

但是它会从内存中生成 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)] 

它将标量加载到内存中和从内存中加载出来......（？！？！）

但是这样做......

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

会生成。

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

理想情况下，如果我有常量，那就太好了，这将是一种甚至不接触内存而只需使用立即样式指令（例如编译到指令本身中的常量）来完成的方法。

谢谢

Answer 1

如果您想强制它进行单次加载，您可以尝试 (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)) 来请求适当的约束。

在我的系统上，这个（用 gcc -m32 -msse -O2 编译；完全没有优化，代码变得混乱，但最终仍然保留单个 movaps ）创建以下内容汇编代码（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，它在分配堆栈空间并将常量放入其中之前对齐堆栈指针。根据您的编译器的不同，忽略 __attribute__((aligned)) 可能会创建不执行此操作的错误代码，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，只需使用 float 数组的 static 限定符尝试上述操作即可。这将创建以下程序集：

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

Answer 2

首先，您正在以什么优化级别进行编译？在 -O0 或 -O1 处看到这种代码生成器并不罕见，但在大多数编译器中看到 -O2 或更高版本的代码生成器时，我会感到非常惊讶。

其次，上交所没有即时负载。您可以立即加载到 GPR，然后将该值移至 SSE，但您无法在没有实际加载的情况下构造其他值（忽略某些特殊值，例如 0 或 (int)-1，它可以通过逻辑运算生成。

最后，如果在打开优化且性能关键的位置生成错误代码，请针对您的编译器提交错误。

Answer 3

通常，这样的常量会在代码的任何循环或“热”部分之前加载，因此性能不应该那么重要。但是，如果您无法避免在循环内执行此类操作，那么我会首先尝试 _mm_set_ps 并查看会生成什么。也可以尝试 ICC 而不是 gcc，因为它往往会生成更好的代码。

Answer 4

如果四个浮点常量相同，则生成常量会更简单（也更快）。例如，1.f 的位模式是 0x3f800000。使用 SSE2 生成此文件的一种方法

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

是使用 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，我不肯定此版本是否比 SSE2 更快，还没有对其进行分析，仅测试了结果是否正确。

如果四个浮点数中每一个的值必须不同，则可以生成每个常量并将其打乱或混合在一起。

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 上的大缓存可能会使它对 sse 不太有用。

Agner Fog 的优化手册第 2 册第 13.4 节对此进行了很好的讨论，http://www.agner .org/optimize/。

最后注意，上面内联汇编器的使用是 gcc 特有的，原因是允许使用未初始化的变量而不生成编译器警告。使用 vc，您可能需要也可能不需要首先使用 _mm_setzero_ps() 初始化变量，然后希望优化器可以删除它。