SSE，行主要与列主要性能问题

出于个人和娱乐目的，我正在使用 SSE(4.1) 编写一个 geom 库。

我花了最后 12 个小时试图理解处理行主要与列主要存储矩阵时的性能问题。

我知道 Dirext/OpenGL 矩阵是以行主顺序存储的，因此对我来说，将矩阵按行主顺序存储会更好，这样在将矩阵存储到 GPU/着色器或从 GPU/着色器加载矩阵时就不会进行转换。

但是，我做了一些分析，并且我通过专栏专业获得了更快的结果。

要使用行主变换矩阵变换一个点，它是 P' = P * M。而在列主变换矩阵中，它是 P' = M * P。 因此，在列专业中，它只是 4 点积，因此在行专业中，只有 4 个 SSE4.1 指令 (_mm_dp_ps )，我必须在转置矩阵上执行这 4 个点积。

10M 向量的性能结果

（30/05/2014@08:48:10）日志：[5]（Vec.Mul.Matrix）= 76.216653 ms（行主要变换）

（30/05/2014@08:48:10）日志：[6]（Matrix.Mul.Vec）= 61.554892 ms（列主要变换）

我尝试了几种方法来进行 Vec * Matrix 操作，使用或不使用 _MM_TRANSPOSE ，我发现最快的方法是这样的：

mssFloat    Vec4::operator|(const Vec4& v) const //-- Dot Product
{
    return _mm_dp_ps(m_val, v.m_val, 0xFF ).m128_f32[0];
}
inline Vec4 operator*(const Vec4& vec,const Mat4& m)
{
    return Vec4(    Vec4( m[0][0],m[1][0],m[2][0],m[3][0]) | vec
        ,   Vec4( m[0][1],m[1][1],m[2][1],m[3][1]) | vec
        ,   Vec4( m[0][2],m[1][2],m[2][2],m[3][2]) | vec
        ,   Vec4( m[0][3],m[1][3],m[2][3],m[3][3]) | vec
                );
}

我的类 Vec4 只是一个 __m128 m_val，在优化的 C++ 中，向量构造都是在 SSE 寄存器上有效完成的。

我的第一个猜测是，这种乘法不是最佳的。我是 SSE 的新手，所以我有点困惑如何优化它，我的直觉告诉我使用 shuffle 指令，但我想了解为什么它会更快。它会比分配更快地加载 4 shuffle __m128 ( __m128 m_val = _mm_set_ps(w, z, y, x); )

From https://software.intel.com/sites/landingpage/IntrinsicsGuide/ https://software.intel.com/sites/landingpage/IntrinsicsGuide/我找不到 mm_set_ps 的性能信息

编辑：我仔细检查分析方法，每个测试都以相同的方式完成，因此没有内存缓存差异。为了避免本地缓存，我正在对随机错误向量数组进行操作，每个测试的种子都是相同的。每次执行时仅进行 1 次测试，以避免内存缓存提高性能。

不要使用_mm_dp_ps用于矩阵乘法！我已经在以下位置详细解释了这一点使用 SSE 进行高效 4x4 矩阵向量乘法：水平加法和点积 - 有什么意义？ https://stackoverflow.com/questions/14967969/efficient-4x4-matrix-vector-multiplication-with-sse-horizontal-add-and-dot-prod（顺便说一下，这是我关于 SO 的第一篇文章）。

除了 SSE 之外，您不需要任何其他东西就可以有效地完成此操作（甚至不需要 SSE2）。使用此代码可以高效地执行 4x4 矩阵乘法。如果矩阵按行优先顺序存储，则gemm4x4_SSE(A,B,C)。如果矩阵按列优先顺序存储，则gemm4x4_SSE(B,A,C).

void gemm4x4_SSE(float *A, float *B, float *C) {
    __m128 row[4], sum[4];
    for(int i=0; i<4; i++)  row[i] = _mm_load_ps(&B[i*4]);
    for(int i=0; i<4; i++) {
        sum[i] = _mm_setzero_ps();      
        for(int j=0; j<4; j++) {
            sum[i] = _mm_add_ps(_mm_mul_ps(_mm_set1_ps(A[i*4+j]), row[j]), sum[i]);
        }           
    }
    for(int i=0; i<4; i++) _mm_store_ps(&C[i*4], sum[i]); 
}