需要对我的 SSE/Assembly 尝试提出一些建设性的批评

我正在努力将一些代码转换为 SSE，虽然我有正确的输出，但它比标准 C++ 代码慢。

我需要执行此操作的代码是：

float ox = p2x - (px * c - py * s)*m;
float oy = p2y - (px * s - py * c)*m;

我得到的 SSE 代码是：

void assemblycalc(vector4 &p, vector4 &sc, float &m, vector4 &xy)
{
    vector4 r;
    __m128 scale = _mm_set1_ps(m);

__asm
{
    mov     eax,    p       //Load into CPU reg
    mov     ebx,    sc
    movups  xmm0,   [eax]   //move vectors to SSE regs
    movups  xmm1,   [ebx]

    mulps   xmm0,   xmm1    //Multiply the Elements

    movaps  xmm2,   xmm0    //make a copy of the array  
    shufps  xmm2,   xmm0,  0x1B //shuffle the array     

    subps   xmm0,   xmm2    //subtract the elements

    mulps   xmm0,   scale   //multiply the vector by the scale

    mov     ecx,    xy      //load the variable into cpu reg
    movups  xmm3,   [ecx]   //move the vector to the SSE regs

    subps   xmm3,   xmm0    //subtract xmm3 - xmm0

    movups  [r],    xmm3    //Save the retun vector, and use elements 0 and 3
    }
}

由于阅读代码非常困难，我将解释一下我所做的：

加载的向量4，xmm0 _____ p = [px, py, px, py]
多。通过向量4，xmm1 _ cs = [c , c , s , s ]
__________________________多----------------------------
结果，_____________ xmm0 = [pxc, pyc, pxs, pys]

重用结果，xmm0 = [pxc, pyc, pxs, pys]
洗牌结果，xmm2 = [pys, pxs, pyc, pxc]
_____________________减去 - - - - - - - - - - - - - -
结果，xmm0 = [pxc-pys, pyc-pxs, pxs-pyc, pys-pxc]

重用结果，xmm0 = [pxc-pys, pyc-pxs, pxs-pyc, pys-pxc]
加载 m 个向量4，scale = [m, m, m, m]
__________________________多----------------------------
结果，xmm0 = [(pxc-pys)m, (pyc-px*s)m, (pxs-py*c)m, (pys-px*c)m]


加载xy向量4，xmm3 = [p2x，p2x，p2y，p2y]
重用，xmm0 = [(pxc-py*s)m, (pyc-px*s)m, (pxs-py*c)m, (pys-px*c)m]
_____________________减去 - - - - - - - - - - - - - -
结果，xmm3 = [p2x-(pxc-py*s)m, p2x-(pyc-px*s)m, p2y-(pxs-py*c)m, p2y-(pys-px*c)*m]

然后 ox = xmm3[0] 和 oy = xmm3[3]，所以我基本上不使用 xmm3[1] 或 xmm3[4]

对于阅读本文的困难，我深表歉意，但我希望有人能够为我提供一些指导，因为标准 C++ 代码的运行时间为 0.001444 毫秒，SSE 代码的运行时间为 0.00198 毫秒。

让我知道我是否可以做任何事情来进一步解释/清理这一点。我尝试使用 SSE 的原因是因为我运行此计算数百万次，并且它是减慢我当前代码速度的部分原因。

预先感谢您的任何帮助！ 布雷特

进行这种矢量化的通常方法是将问题“转向一边”。而不是计算单个值ox and oy，你计算四ox价值观和四个oy同时值。这可以最大限度地减少浪费的计算和洗牌。

为了做到这一点，你捆绑了几个x, y, p2x and p2y值放入连续数组中（即您可能有一个包含四个值的数组x，四个值的数组y， ETC）。然后你可以这样做：

movups  %xmm0,  [x]
movups  %xmm1,  [y]
movaps  %xmm2,  %xmm0
mulps   %xmm0,  [c]    // cx
movaps  %xmm3,  %xmm1
mulps   %xmm1,  [s]    // sy
mulps   %xmm2,  [s]    // sx
mulps   %xmm3,  [c]    // cy
subps   %xmm0,  %xmm1  // cx - sy
subps   %xmm2,  %xmm3  // sx - cy
mulps   %xmm0,  scale  // (cx - sy)*m
mulps   %xmm2,  scale  // (sx - cy)*m
movaps  %xmm1,  [p2x]
movaps  %xmm3,  [p2y]
subps   %xmm1,  %xmm0  // p2x - (cx - sy)*m
subps   %xmm3,  %xmm2  // p2y - (sx - cy)*m
movups  [ox],   %xmm1
movups  [oy],   %xmm3

使用这种方法，我们可以在 18 条指令中同时计算 4 个结果，而使用您的方法则需要 13 条指令来计算单个结果。我们也不会浪费任何结果。

它仍然可以改进；由于无论如何您都必须重新排列数据结构才能使用此方法，因此您应该对齐数组并使用对齐的加载和存储而不是未对齐。您应该将 c 和 s 加载到寄存器中并使用它们来处理manyx 和 y 的向量，而不是为每个向量重新加载它们。为了获得最佳性能，两个或多个向量的计算量应交错，以确保处理器有足够的工作来防止管道停顿。

（旁注：应该是cx + sy代替cx - sy？这会给你一个标准的旋转矩阵）

Edit

您对正在执行计时的硬件的评论几乎清除了一切：“Pentium 4 HT，2.79GHz”。这是一个非常古老的微架构，在其上未对齐的移动和洗牌非常慢；您的管道中没有足够的工作来隐藏算术运算的延迟，并且重新排序引擎并不像较新的微架构上那么聪明。

我希望你的矢量代码would事实证明比 i7 上的标量代码更快，也可能比 Core2 上的标量代码更快。另一方面，如果可以的话，一次做四个会更快。