基于SSE指令集的程序設(shè)計簡介
作者：Alex Farber
出處：http://www.codeproject.com/cpp/sseintro.asp
SSE技術(shù)簡介
Intel公司的單指令多數(shù)據(jù)流式擴(kuò)展（SSE，Streaming SIMD Extensions）技術(shù)能夠有效增強(qiáng)CPU浮點(diǎn)運(yùn)算的能力。Visual Studio .NET 2003提供了對SSE指令集的編程支持，從而允許用戶在C++代碼中不用編寫匯編代碼就可直接使用SSE指令的功能。MSDN中有關(guān)SSE技術(shù)的主題[1]有可能會使不熟悉使用SSE匯編指令編程的初學(xué)者感到困惑，但是在閱讀MSDN有關(guān)文檔的同時，參考一下Intel軟件說明書（Intel Software manuals）[2]會使你更清楚地理解使用SSE指令編程的要點(diǎn)。
SIMD（single-instruction, multiple-data）是一種使用單道指令處理多道數(shù)據(jù)流的CPU執(zhí)行模式，即在一個CPU指令執(zhí)行周期內(nèi)用一道指令完成處理多個數(shù)據(jù)的操作。考慮一下下面這個任務(wù)：計算一個很長的浮點(diǎn)型數(shù)組中每一個元素的平方根。實現(xiàn)這個任務(wù)的算法可以這樣寫：
for each f in array //對數(shù)組中的每一個元素
f = sqrt(f) //計算它的平方根
為了了解實現(xiàn)的細(xì)節(jié)，我們把上面的代碼這樣寫：
for each f in array
{
把f從內(nèi)存加載到浮點(diǎn)寄存器
計算平方根
再把計算結(jié)果從寄存器中取出放入內(nèi)存
}
具有Intel SSE指令集支持的處理器有8個128位的寄存器，每一個寄存器可以存放4個（32位）單精度的浮點(diǎn)數(shù)。SSE同時提供了一個指令集，其中的指令可以允許把浮點(diǎn)數(shù)加載到這些128位的寄存器之中，這些數(shù)就可以在這些寄存器中進(jìn)行算術(shù)邏輯運(yùn)算，然后把結(jié)果放回內(nèi)存。采用SSE技術(shù)后，算法可以寫成下面的樣子：
for each 4 members in array //對數(shù)組中的每4個元素
{
把數(shù)組中的這4個數(shù)加載到一個128位的SSE寄存器中
在一個CPU指令執(zhí)行周期中完成計算這4個數(shù)的平方根的操作
把所得的4個結(jié)果取出寫入內(nèi)存
}
C++編程人員在使用SSE指令函數(shù)編程時不必關(guān)心這些128位的寄存器，你可以使用128位的數(shù)據(jù)類型“__m128”和一系列C++函數(shù)來實現(xiàn)這些算術(shù)和邏輯操作，而決定程序使用哪個SSE寄存器以及代碼優(yōu)化是C++編譯器的任務(wù)。當(dāng)需要對很長的浮點(diǎn)數(shù)數(shù)組中的元素進(jìn)行處理的時候，SSE技術(shù)確實是一種很高效的方法。
SSE程序設(shè)計詳細(xì)介紹
包含的頭文件：
所有的SSE指令函數(shù)和__m128數(shù)據(jù)類型都在xmmintrin.h文件中定義：
#include <xmmintrin.h>
因為程序中用到的SSE處理器指令是由編譯器決定，所以它并沒有相關(guān)的.lib庫文件。
數(shù)據(jù)分組（Data Alignment）
由SSE指令處理的每一個浮點(diǎn)數(shù)數(shù)組必須把其中需要處理的數(shù)每16個字節(jié)（128位二進(jìn)制）分為一組。一個靜態(tài)數(shù)組（static array）可由__declspec(align(16))關(guān)鍵字聲明：
__declspec(align(16)) float m_fArray[ARRAY_SIZE];
動態(tài)數(shù)組（dynamic array）可由_aligned_malloc函數(shù)為其分配空間：
m_fArray = (float*) _aligned_malloc(ARRAY_SIZE * sizeof(float), 16);
由_aligned_malloc函數(shù)分配空間的動態(tài)數(shù)組可以由_aligned_free函數(shù)釋放其占用的空間：
_aligned_free(m_fArray);
__m128 數(shù)據(jù)類型
該數(shù)據(jù)類型的變量可用做SSE指令的操作數(shù)，它們不能被用戶指令直接存取。_m128類型的變量被自動分配為16個字節(jié)的字長。
CPU對SSE指令集的支持
如果你的CPU能夠具有了SSE指令集，你就可以使用Visual Studio .NET 2003提供的對SSE指令集支持的C++函數(shù)庫了，你可以查看MSDN中的一個Visual C++ CPUID的例子[4]，它可以幫你檢測你的CPU是否支持SSE、MMX指令集或其它的CPU功能。
編程實例
以下講解了SSE技術(shù)在Visual Studio .NET 2003下的應(yīng)用實例，你可以在http://www.codeproject.com/cpp/sseintro/SSE_src.zip下載示例程序壓縮包。該壓縮包中含有兩個項目，這兩個項目是基于微軟基本類庫（MFC）建立的Visual C++.NET項目，你也可以按照下面的講解建立這兩個項目。
SSETest 示例項目
SSETest項目是一個基于對話框的應(yīng)用程序，它用到了三個浮點(diǎn)數(shù)組參與運(yùn)算：
fResult[i] = sqrt( fSource1[i]*fSource1[i] + fSource2[i]*fSource2[i] ) + 0.5
其中i = 0, 1, 2 ... ARRAY_SIZE-1
其中ARRAY_SIZE被定義為30000。數(shù)據(jù)源數(shù)組（Source數(shù)組）通過使用sin和cos函數(shù)給它賦值，我們用Kris Jearakul開發(fā)的瀑布狀圖表控件（Waterfall chart control）[3] 來顯示參與計算的源數(shù)組和結(jié)果數(shù)組。計算所需的時間(以毫秒ms為單位)在對話框中顯示出來。我們使用三種不同的途徑來完成計算：
純C++代碼；
使用SSE指令函數(shù)的C++代碼；
包含SSE匯編指令的代碼。
純C++代碼：
void CSSETestDlg::ComputeArrayCPlusPlus(
float* pArray1, // [輸入] 源數(shù)組1
float* pArray2, // [輸入] 源數(shù)組2
float* pResult, // [輸出] 用來存放結(jié)果的數(shù)組
int nSize) // [輸入] 數(shù)組的大小
{
int i;
float* pSource1 = pArray1;
float* pSource2 = pArray2;
float* pDest = pResult;
for ( i = 0; i < nSize; i++ )
{
*pDest = (float)sqrt((*pSource1) * (*pSource1) + (*pSource2)
* (*pSource2)) + 0.5f;
pSource1++;
pSource2++;
pDest++;
}
}
下面我們用具有SSE特性的C++代碼重寫上面這個函數(shù)。為了查詢使用SSE指令C++函數(shù)的方法，我參考了Intel軟件說明書（Intel Software manuals）中有關(guān)SSE匯編指令的說明，首先我是在第一卷的第九章找到的相關(guān)SSE指令，然后在第二卷找到了這些SSE指令的詳細(xì)說明，這些說明有一部分涉及了與其特性相關(guān)的C++函數(shù)。然后我通過這些SSE指令對應(yīng)的C++函數(shù)查找了MSDN中與其相關(guān)的說明。搜索的結(jié)果見下表：
| 實現(xiàn)的功能 |
對應(yīng)的SSE匯編指令 |
Visual C++.NET中的SSE函數(shù) |
| 將4個32位浮點(diǎn)數(shù)放進(jìn)一個128位的存儲單元。 |
movss 和 shufps |
_mm_set_ps1 |
| 將4對32位浮點(diǎn)數(shù)同時進(jìn)行相乘操作。這4對32位浮點(diǎn)數(shù)來自兩個128位的存儲單元，再把計算結(jié)果（乘積）賦給一個128位的存儲單元。 |
mulps |
_mm_mul_ps |
| 將4對32位浮點(diǎn)數(shù)同時進(jìn)行相加操作。這4對32位浮點(diǎn)數(shù)來自兩個128位的存儲單元，再把計算結(jié)果（相加之和）賦給一個128位的存儲單元。 |
addps |
_mm_add_ps |
| 對一個128位存儲單元中的4個32位浮點(diǎn)數(shù)同時進(jìn)行求平方根操作。 |
sqrtps |
_mm_sqrt_ps
|
使用Visual C++.NET的 SSE指令函數(shù)的代碼：
void CSSETestDlg::ComputeArrayCPlusPlusSSE(
float* pArray1, // [輸入] 源數(shù)組1
float* pArray2, // [輸入] 源數(shù)組2
float* pResult, // [輸出] 用來存放結(jié)果的數(shù)組
int nSize) // [輸入] 數(shù)組的大小
{
int nLoop = nSize/ 4;
__m128 m1, m2, m3, m4;
__m128* pSrc1 = (__m128*) pArray1;
__m128* pSrc2 = (__m128*) pArray2;
__m128* pDest = (__m128*) pResult;
__m128 m0_5 = _mm_set_ps1(0.5f); // m0_5[0, 1, 2, 3] = 0.5
for ( int i = 0; i < nLoop; i++ )
{
m1 = _mm_mul_ps(*pSrc1, *pSrc1); // m1 = *pSrc1 * *pSrc1
m2 = _mm_mul_ps(*pSrc2, *pSrc2); // m2 = *pSrc2 * *pSrc2
m3 = _mm_add_ps(m1, m2); // m3 = m1 + m2
m4 = _mm_sqrt_ps(m3); // m4 = sqrt(m3)
*pDest = _mm_add_ps(m4, m0_5); // *pDest = m4 + 0.5
pSrc1++;
pSrc2++;
pDest++;
}
}
使用SSE匯編指令實現(xiàn)的C++函數(shù)代碼：
void CSSETestDlg::ComputeArrayAssemblySSE(
float* pArray1, // [輸入] 源數(shù)組1
float* pArray2, // [輸入] 源數(shù)組2
float* pResult, // [輸出] 用來存放結(jié)果的數(shù)組
int nSize) // [輸入] 數(shù)組的大小
{
int nLoop = nSize/4;
float f = 0.5f;
_asm
{
movss xmm2, f // xmm2[0] = 0.5
shufps xmm2, xmm2, 0 // xmm2[1, 2, 3] = xmm2[0]
mov esi, pArray1 // 輸入的源數(shù)組1的地址送往esi
mov edx, pArray2 // 輸入的源數(shù)組2的地址送往edx
mov edi, pResult // 輸出結(jié)果數(shù)組的地址保存在edi
mov ecx, nLoop //循環(huán)次數(shù)送往ecx
start_loop:
movaps xmm0, [esi] // xmm0 = [esi]
mulps xmm0, xmm0 // xmm0 = xmm0 * xmm0
movaps xmm1, [edx] // xmm1 = [edx]
mulps xmm1, xmm1 // xmm1 = xmm1 * xmm1
addps xmm0, xmm1 // xmm0 = xmm0 + xmm1
sqrtps xmm0, xmm0 // xmm0 = sqrt(xmm0)
addps xmm0, xmm2 // xmm0 = xmm1 + xmm2
movaps [edi], xmm0 // [edi] = xmm0
add esi, 16 // esi += 16
add edx, 16 // edx += 16
add edi, 16 // edi += 16
dec ecx // ecx--
jnz start_loop //如果不為0則轉(zhuǎn)向start_loop
}
}
最后，在我的計算機(jī)上運(yùn)行計算測試的結(jié)果：
純C++代碼計算所用的時間是26 毫秒
使用SSE的C++ 函數(shù)計算所用的時間是 9 毫秒
包含SSE匯編指令的C++代碼計算所用的時間是 9 毫秒
以上的時間結(jié)果是在Release優(yōu)化編譯后執(zhí)行程序得出的。
SSESample 示例項目
SSESample項目是一個基于對話框的應(yīng)用程序，其中它用下面的浮點(diǎn)數(shù)數(shù)組進(jìn)行計算：
fResult[i] = sqrt(fSource[i]*2.8)
其中i = 0, 1, 2 ... ARRAY_SIZE-1
這個程序同時計算了數(shù)組中的最大值和最小值。ARRAY_SIZE被定義為100000，數(shù)組中的計算結(jié)果在列表框中顯示出來。其中在我的機(jī)子上用下面三種方法計算所需的時間是：
純C++代碼計算 6 毫秒
使用SSE的C++ 函數(shù)計算 3 毫秒
使用SSE匯編指令計算 2 毫秒
大家看到，使用SSE匯編指令計算的結(jié)果會好一些，因為使用了效率增強(qiáng)了的SSX寄存器組。但是在通常情況下，使用SSE的C++ 函數(shù)計算會比匯編代碼計算的效率更高一些，因為C++編譯器的優(yōu)化后的代碼有很高的運(yùn)算效率，若要使匯編代碼比優(yōu)化后的代碼運(yùn)算效率更高，這通常是很難做到的。
純C++代碼：
// 輸入: m_fInitialArray
// 輸出: m_fResultArray, m_fMin, m_fMax
void CSSESampleDlg::OnBnClickedButtonCplusplus()
{
m_fMin = FLT_MAX;
m_fMax = FLT_MIN;
int i;
for ( i = 0; i < ARRAY_SIZE; i++ )
{
m_fResultArray[i] = sqrt(m_fInitialArray[i] * 2.8f);
if ( m_fResultArray[i] < m_fMin )
m_fMin = m_fResultArray[i];
if ( m_fResultArray[i] > m_fMax )
m_fMax = m_fResultArray[i];
}
}
使用Visual C++.NET的 SSE指令函數(shù)的代碼：
// 輸入: m_fInitialArray
// 輸出: m_fResultArray, m_fMin, m_fMax
void CSSESampleDlg::OnBnClickedButtonSseC()
{
__m128 coeff = _mm_set_ps1(2.8f); // coeff[0, 1, 2, 3] = 2.8
__m128 tmp;
__m128 min128 = _mm_set_ps1(FLT_MAX); // min128[0, 1, 2, 3] = FLT_MAX
__m128 max128 = _mm_set_ps1(FLT_MIN); // max128[0, 1, 2, 3] = FLT_MIN
__m128* pSource = (__m128*) m_fInitialArray;
__m128* pDest = (__m128*) m_fResultArray;
for ( int i = 0; i < ARRAY_SIZE/4; i++ )
{
tmp = _mm_mul_ps(*pSource, coeff); // tmp = *pSource * coeff
*pDest = _mm_sqrt_ps(tmp); // *pDest = sqrt(tmp)
min128 = _mm_min_ps(*pDest, min128);
max128 = _mm_max_ps(*pDest, max128);
pSource++;
pDest++;
}
// 計算max128的最大值和min128的最小值
union u
{
__m128 m;
float f[4];
} x;
x.m = min128;
m_fMin = min(x.f[0], min(x.f[1], min(x.f[2], x.f[3])));
x.m = max128;
m_fMax = max(x.f[0], max(x.f[1], max(x.f[2], x.f[3])));
}
使用SSE匯編指令的C++函數(shù)代碼：
// 輸入: m_fInitialArray
// 輸出: m_fResultArray, m_fMin, m_fMax
void CSSESampleDlg::OnBnClickedButtonSseAssembly()
{
float* pIn = m_fInitialArray;
float* pOut = m_fResultArray;
float f = 2.8f;
float flt_min = FLT_MIN;
float flt_max = FLT_MAX;
__m128 min128;
__m128 max128;
// 使用以下的附加寄存器:xmm2、xmm3、xmm4:
// xmm2 – 相乘系數(shù)
// xmm3 – 最小值
// xmm4 – 最大值
_asm
{
movss xmm2, f // xmm2[0] = 2.8
shufps xmm2, xmm2, 0 // xmm2[1, 2, 3] = xmm2[0]
movss xmm3, flt_max // xmm3 = FLT_MAX
shufps xmm3, xmm3, 0 // xmm3[1, 2, 3] = xmm3[0]
movss xmm4, flt_min // xmm4 = FLT_MIN
shufps xmm4, xmm4, 0 // xmm3[1, 2, 3] = xmm3[0]
mov esi, pIn // 輸入數(shù)組的地址送往esi
mov edi, pOut // 輸出數(shù)組的地址送往edi
mov ecx, ARRAY_SIZE/4 // 循環(huán)計數(shù)器初始化
start_loop:
movaps xmm1, [esi] // xmm1 = [esi]
mulps xmm1, xmm2 // xmm1 = xmm1 * xmm2
sqrtps xmm1, xmm1 // xmm1 = sqrt(xmm1)
movaps [edi], xmm1 // [edi] = xmm1
minps xmm3, xmm1
maxps xmm4, xmm1
add esi, 16
add edi, 16
dec ecx
jnz start_loop
movaps min128, xmm3
movaps max128, xmm4
}
union u
{
__m128 m;
float f[4];
} x;
x.m = min128;
m_fMin = min(x.f[0], min(x.f[1], min(x.f[2], x.f[3])));
x.m = max128;
m_fMax = max(x.f[0], max(x.f[1], max(x.f[2], x.f[3])));
}
參考文檔：
[1]MSDN, SSE技術(shù)主題：
http://msdn.microsoft.com/library/default.asp?url=/library/en-us/vclang/html/vcrefstreamingsimdextensions.asp
[2]Intel軟件說明書（Intel Software manuals）：
http://developer.intel.com/design/archives/processors/mmx/index.htm
[3] Kris Jearakul的瀑布狀圖表控件：http://www.codeguru.com/controls/Waterfall.shtml
[4] Microsoft Visual C++ CPUID示例：
http://msdn.microsoft.com/library/default.asp?url=/library/en-us/vcsample/html/vcsamcpuiddeterminecpucapabilities.asp
[5] Matt Pietrek在Microsoft Systems Journal 1998年2月刊上的評論文章：
http://www.microsoft.com/msj/0298/hood0298.aspx 。