一个简单求和函数的C-》SSE-》AVX的实现过程
2014-08-06 23:54
1926 查看
这篇文章写的非常好，特别是文中的链接也要仔细浏览。
======================================
（转）Intrinsic—使用SSE、AVX指令集处理单精度浮点数组求和（支持vc、gcc，兼容Win、Linux、Mac）
(2013-01-14
10:45:16)
转载▼
标签：
| 分类： 汇编 |
！！
http://www.cnblogs.com/zyl910/archive/2012/10/22/simdsumfloat.html
本文面对对SSE等SIMD指令集有一定基础的读者，以单精度浮点数组求和为例演示了如何跨平台使用SSE、AVX指令集。因使用了stdint、 zintrin、ccpuid这三个模块，可以完全避免手工编写汇编代码，具有很高可移植性。支持vc、gcc编译器，在Windows、Linux、 Mac这三大平台上成功运行。
一、问题背景
最初，我们只能使用汇编语言来编写SIMD代码。不仅写起来很麻烦，而且易读性、可维护性、移植性都较差。不久，VC、GCC等编译器相继支持了Intrinsic函数，使我们可以摆脱汇编，利用C语言来调用SIMD指令集，大大提高了易读性和可维护。而且移植性也有提高，能在同一编译器上实现32位与64位的平滑过渡。
但当代码在另一种编译器编译时，会遇到一些问题而无法编译。甚至在使用同一种编译器的不同版本时，也会遇到无法编译问题。
首先是整数类型问题——
传统C语言的short、int、long等整数类型是与平台相关的，不同平台上的位长是不同的（例如 Windows是LLP64模型，Linux、Mac等Unix系统多采用LP64模型）。而使用SSE等SIMD指令集时需要精确计算数据的位数，不同 位长的数据必须使用不同的指令来处理。
有一个解决办法，就是使用C99标准中stdint.h所提供的指定位长的整数类型。GCC对C99标准支持性较好，而VC的步骤很慢，貌似直到VC2010才支持stdint.h。而很多时候我们为了兼容旧代码，不得不使用VC6等老版本的VC编译器。
其次是Intrinsic函数的头文件问题，不同编译器所使用的头文件不同——
对于早期版本VC，需要根据具体的指令集需求，手动引入mmintrin.h、xmmintrin.h等头文件。对于VC2005或更高版本，引入intrin.h就行了，它会自动引入当前编译器所支持的所有Intrinsic头文件。
对于早期版本GCC，也是手动引入mmintrin.h、xmmintrin.h等头文件。而对于高版本的GCC，引入x86intrin.h就行了，它会自动引入当前编译环境所允许的Intrinsic头文件。
再次是当前编译环境下的Intrinsic函数集支持性问题——
对于VC来说，VC6支持MMX、3DNow!、SSE、 SSE2，然后更高版本的VC支持更多的指令集。但是，VC没有提供检测Intrinsic函数集支持性的办法。例如你在VC2010上编写了一段使用了 AVX Intrinsic函数的代码，但拿到VC2005上就不能通过编译了。其次，VC不支持64位下的MMX，这让一些老程序迁徙到64位版时遭来了一些麻 烦。
而对于GCC来说，它使用-mmmx、-msse等编译器开关来启用各种指令集，同时定义了对应的 __MMX__、__SSE__等宏，然后x86intrin.h会根据这些宏来声明相应的Intrinsic函数集。__MMX__、__SSE__等 宏可以帮助我们判断Intrinsic函数集是否支持，但这只是GCC的专用功能。
此外还有一些细节问题，例如某些Intrinsic函数仅在64下才能使用、有些老版本编译器的头文件缺少某个Intrinsic函数。所以我们希望有一种统一的方式来判断Intrinsic函数集的支持性。
除了编译期间的问题外，还有运行期间的问题——
在运行时，怎么检测当前处理器支持哪些指令集？
虽然X86体系提供了用来检测处理器的CPUID指令，但它没有规范的Intrinsic函数，在不同的编译器上的用法不同。
而且X86体系有很多种指令集，每种指令集具体的检测方法是略有区别的。尤其是SSE、AVX这样的SIMD指令集是需要操作系统配合才能正常使用的，所以在CPUID检查通过后，还需要进一步验证。
二、范例讲解
2.1 事先准备
为了解决上面提到的问题，我编写了三个模块——stdint：智能支持C99的stdint.h，解决整数类型问题。最新版的地址是http://www.cnblogs.com/zyl910/archive/2012/08/08/c99int.html 。
zintrin：在编译时检测Intrinsic函数集支持性，并自动引入相关头文件、修正细节问题。最新版的地址是http://www.cnblogs.com/zyl910/archive/2012/10/01/zintrin_v101.html 。
ccpuid：在编译时检测指令集的支持性。最新版的地址是http://www.cnblogs.com/zyl910/archive/2012/10/13/ccpuid_v103.html 。
这三个模块的纯C版就是一个头文件，用起来很方便，将它们放在项目中，直接#include就行了。例如——
#define __STDC_LIMIT_MACROS 1 // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.]#include "zintrin.h" #include "ccpuid.h"
因为stdint.h会被zintrin.h或ccpuid.h引用，所以不需要手动引入它。
因为它们用到了C99整数范围常量，所以应该在程序的最前面定义__STDC_LIMIT_MACROS宏（或者可以在项目配置、编译器命令行等位置进行配置）。根据C99规范，纯C程序可以不用, 而C++程序必须定义该宏。本文为了演示，定义了该宏。
2.2 C语言版
我们先用C语言编写一个基本的单精度浮点数组求和函数——// 单精度浮点数组求和_基本版.
//
// result: 返回数组求和结果.
// pbuf: 数组的首地址.
// cntbuf: 数组长度.
float sumfloat_base(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
for(i=0; i
{
s += pbuf[i];
}
return s;
}
该函数很容易理解——先将返回值赋初值0，然后循环加上数组中每一项的值。
2.3 SSE版
2.3.1 SSE普通版
SSE寄存器是128位的，对应__m128类型，它能一次能处理4个单精度浮点数。很多SSE指令要求内存地址按16字节对齐。本文为了简化，假定浮点数组的首地址是总是16字节对齐的，仅需要考虑数组长度不是4的整数倍问题。
因使用了SSE Intrinsic函数，我们可以根据zintrin.h所提供的INTRIN_SSE宏进行条件编译。
代码如下——
#ifdef INTRIN_SSE
// 单精度浮点数组求和_SSE版.
float sumfloat_sse(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
size_t nBlockWidth = 4; // 块宽. SSE寄存器能一次处理4个float.
size_t cntBlock = cntbuf / nBlockWidth; // 块数.
size_t cntRem = cntbuf % nBlockWidth; // 剩余数量.
__m128 xfsSum = _mm_setzero_ps(); // 求和变量。[SSE] 赋初值0
__m128 xfsLoad; // 加载.
const float* p = pbuf; // SSE批量处理时所用的指针.
const float* q; // 将SSE变量上的多个数值合并时所用指针.
// SSE批量处理.
for(i=0; i
{
xfsLoad = _mm_load_ps(p); // [SSE] 加载
xfsSum = _mm_add_ps(xfsSum, xfsLoad); // [SSE] 单精浮点紧缩加法
p += nBlockWidth;
}
// 合并.
q = (const float*)&xfsSum;
s = q[0] + q[1] + q[2] + q[3];
// 处理剩下的.
for(i=0; i
{
s += p[i];
}
return s;
}
#endif // #ifdef INTRIN_SSE
上述代码大致可分为四个部分——
1. 变量定义与初始化。
2. SSE批量处理。即对前面能凑成4个一组的数据，利用SSE的128位宽度同时对4个数累加。
3. 合并。将__m128上的多个数值合并到求和变量。因考虑某些编译器不能直接使用“.”来访问__m128变量中的数据，于是利用指针q来访问xfsSum中的数据。
4. 处理剩下的。即对尾部不能凑成4个一组的数据，采用基本的逐项相加算法。
上述代码总共用到了3个SSE Intrinsic函数——
_mm_setzero_ps：对应XORPS指令。将__m128上的每一个单精度浮点数均赋0值，伪代码：for(i=0;i<4;++i) C[i]=0.0f。
_mm_load_ps：对应MOVPS指令。从内存中对齐加载4个单精度浮点数到__m128变量，伪代码：for(i=0;i<4;++i) C[i]=_A[i]。
_mm_add_ps：对应ADDPS指令。相加，即对2个__m128变量的4个单精度浮点数进行垂直相加，伪代码：for(i=0;i<4;++i) C[i]=A[i]+B[i]。
2.3.2 SSE四路循环展开版
循环展开可以降低循环开销，提高指令级并行性能。一般来说，四路循环展开就差不多够了。我们可以很方便的将上一节的代码改造为四路循环展开版——
// 单精度浮点数组求和_SSE四路循环展开版.
float sumfloat_sse_4loop(const float* pbuf, size_t cntbuf)
{
float s = 0; // 返回值.
size_t i;
size_t nBlockWidth = 4*4; // 块宽. SSE寄存器能一次处理4个float，然后循环展开4次.
size_t cntBlock = cntbuf / nBlockWidth; // 块数.
size_t cntRem = cntbuf % nBlockWidth; // 剩余数量.
__m128 xfsSum = _mm_setzero_ps(); // 求和变量。[SSE] 赋初值0
__m128 xfsSum1 = _mm_setzero_ps();
__m128 xfsSum2 = _mm_setzero_ps();
__m128 xfsSum3 = _mm_setzero_ps();
__m128 xfsLoad; // 加载.
__m128 xfsLoad1;
__m128 xfsLoad2;
__m128 xfsLoad3;
const float* p = pbuf; // SSE批量处理时所用的指针.
const float* q; // 将SSE变量上的多个数值合并时所用指针.
// SSE批量处理.
for(i=0; i
{
xfsLoad = _mm_load_ps(p); // [SSE] 加载.
xfsLoad1 = _mm_load_ps(p+4);
xfsLoad2 = _mm_load_ps(p+8);
xfsLoad3 = _mm_load_ps(p+12);
xfsSum = _mm_add_ps(xfsSum, xfsLoad); // [SSE] 单精浮点紧缩加法
xfsSum1 = _mm_add_ps(xfsSum1, xfsLoad1);
xfsSum2 = _mm_add_ps(xfsSum2, xfsLoad2);
xfsSum3 = _mm_add_ps(xfsSum3, xfsLoad3);
p += nBlockWidth;
}
// 合并.
xfsSum = _mm_add_ps(xfsSum, xfsSum1); // 两两合并(0~1).
xfsSum2 = _mm_add_ps(xfsSum2, xfsSum3); // 两两合并(2~3).
xfsSum = _mm_add_ps(xfsSum, xfsSum2); // 两两合并(0~3).
q = (const float*)&xfsSum;
s = q[0] + q[1] + q[2] + q[3];
// 处理剩下的.
for(i=0; i
{
s += p[i];
}
return s;
}
2.4 AVX版
2.4.1 AVX普通版
AVX寄存器是256位的，对应__m256类型，它能一次能处理8个单精度浮点数。很多AVX指令要求内存地址按32字节对齐。本文为了简化，假定浮点数组的首地址是总是32字节对齐的，仅需要考虑数组长度不是8的整数倍问题。
因使用了AVX Intrinsic函数，我们可以根据zintrin.h所提供的INTRIN_AVX宏进行条件编译。
代码如下——
#ifdef INTRIN_AVX
// 单精度浮点数组求和_AVX版.
float sumfloat_avx(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
size_t nBlockWidth = 8; // 块宽. AVX寄存器能一次处理8个float.
size_t cntBlock = cntbuf / nBlockWidth; // 块数.
size_t cntRem = cntbuf % nBlockWidth; // 剩余数量.
__m256 yfsSum = _mm256_setzero_ps(); // 求和变量。[AVX] 赋初值0
__m256 yfsLoad; // 加载.
const float* p = pbuf; // AVX批量处理时所用的指针.
const float* q; // 将AVX变量上的多个数值合并时所用指针.
// AVX批量处理.
for(i=0; i
{
yfsLoad = _mm256_load_ps(p); // [AVX] 加载
yfsSum = _mm256_add_ps(yfsSum, yfsLoad); // [AVX] 单精浮点紧缩加法
p += nBlockWidth;
}
// 合并.
q = (const float*)&yfsSum;
s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7];
// 处理剩下的.
for(i=0; i
{
s += p[i];
}
return s;
}
#endif // #ifdef INTRIN_AVX
由上可见，将SSE Intrinsic代码（sumfloat_sse）升级为 AVX Intrinsic代码（sumfloat_avx）是很容易的——
1. 升级数据类型，将__m128升级成了__m256。
2. 升级Intrinsic函数，在函数名中加入255。例如_mm_setzero_ps、_mm_load_ps、_mm_add_ps，对应的AVX版函数是 _mm256_setzero_ps、_mm256_load_ps、_mm256_add_ps。
3. 因位宽翻倍，地址计算与数据合并的代码需稍加改动。
当使用VC2010编译含有AVX的代码时，VC会提醒你——
warning C4752: 发现 Intel(R) 高级矢量扩展；请考虑使用 /arch:AVX
目前“/arch:AVX”尚未整合到项目属性的“C++\代码生成\启用增强指令集”中，需要手动在项目属性的“C++\命令行”的附加选项中加上“/arch:AVX”——
详见MSDN——
http://msdn.microsoft.com/zh-cn/library/7t5yh4fd(v=vs.100).aspx
在 Visual Studio 中设置 /arch:AVX 编译器选项
1.打开项目的“属性页”对话框。 有关更多信息，请参见 如何：打开项目属性页。
2.单击“C/C++”文件夹。
3.单击“命令行”属性页。
4.在“附加选项”框中添加 /arch:AVX。
2.4.2 AVX四路循环展开版
同样的，我们可以编写AVX四路循环展开版——// 单精度浮点数组求和_AVX四路循环展开版.
float sumfloat_avx_4loop(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
size_t nBlockWidth = 8*4; // 块宽. AVX寄存器能一次处理8个float，然后循环展开4次.
size_t cntBlock = cntbuf / nBlockWidth; // 块数.
size_t cntRem = cntbuf % nBlockWidth; // 剩余数量.
__m256 yfsSum = _mm256_setzero_ps(); // 求和变量。[AVX] 赋初值0
__m256 yfsSum1 = _mm256_setzero_ps();
__m256 yfsSum2 = _mm256_setzero_ps();
__m256 yfsSum3 = _mm256_setzero_ps();
__m256 yfsLoad; // 加载.
__m256 yfsLoad1;
__m256 yfsLoad2;
__m256 yfsLoad3;
const float* p = pbuf; // AVX批量处理时所用的指针.
const float* q; // 将AVX变量上的多个数值合并时所用指针.
// AVX批量处理.
for(i=0; i
{
yfsLoad = _mm256_load_ps(p); // [AVX] 加载.
yfsLoad1 = _mm256_load_ps(p+8);
yfsLoad2 = _mm256_load_ps(p+16);
yfsLoad3 = _mm256_load_ps(p+24);
yfsSum = _mm256_add_ps(yfsSum, yfsLoad); // [AVX] 单精浮点紧缩加法
yfsSum1 = _mm256_add_ps(yfsSum1, yfsLoad1);
yfsSum2 = _mm256_add_ps(yfsSum2, yfsLoad2);
yfsSum3 = _mm256_add_ps(yfsSum3, yfsLoad3);
p += nBlockWidth;
}
// 合并.
yfsSum = _mm256_add_ps(yfsSum, yfsSum1); // 两两合并(0~1).
yfsSum2 = _mm256_add_ps(yfsSum2, yfsSum3); // 两两合并(2~3).
yfsSum = _mm256_add_ps(yfsSum, yfsSum2); // 两两合并(0~3).
q = (const float*)&yfsSum;
s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7];
// 处理剩下的.
for(i=0; i
{
s += p[i];
}
return s;
}
2.5 测试框架
2.5.1 测试所用的数组
首先考虑一下测试所用的数组的长度应该是多少比较好。为了避免内存带宽问题，这个数组最好能放在L1 Data Cache中。现在的处理器的L1 Data Cache一般是32KB，为了保险最好再除以2，那么数组的长度应该是 32KB/(2*sizeof(float))=4096。
其次考虑内存对齐问题，avx要求32字节对齐。我们可以定义一个ATTR_ALIGN宏来统一处理变量的内存对齐问题。
该数组定义如下——
// 变量对齐.
#ifndef ATTR_ALIGN
# if defined(__GNUC__) // GCC
# define ATTR_ALIGN(n) __attribute__((aligned(n)))
# else // 否则使用VC格式.
# define ATTR_ALIGN(n) __declspec(align(n))
# endif
#endif // #ifndef ATTR_ALIGN
#define BUFSIZE 4096 // = 32KB{L1 Cache} / (2 * sizeof(float))
ATTR_ALIGN(32) float buf[BUFSIZE];
2.5.2 测试函数
如果为每一个函数都编写一套测试代码，那不仅代码量大，而且不易维护。可以考虑利用函数指针来实现一套测试框架。
因sumfloat_base等函数的签名是一致的，于是可以定义这样的一种函数指针——
// 测试时的函数类型
typedef float (*TESTPROC)(const float* pbuf, size_t cntbuf);
然后再编写一个对TESTPROC函数指针进行测试的函数——
// 进行测试
void runTest(const char* szname, TESTPROC proc)
{
const int testloop = 4000; // 重复运算几次延长时间，避免计时精度问题.
const clock_t TIMEOUT = CLOCKS_PER_SEC/2; // 最短测试时间.
int i,j,k;
clock_t tm0, dt; // 存储时间.
double mps; // M/s.
double mps_good = 0; // 最佳M/s. 因线程切换会导致的数值波动, 于是选取最佳值.
volatile float n=0; // 避免内循环被优化.
for(i=1; i<=3; ++i) // 多次测试.
{
tm0 = clock();
// main
k=0;
do
{
for(j=1; j<=testloop; ++j) // 重复运算几次延长时间，避免计时开销带来的影响.
{
n = proc(buf, BUFSIZE); // 避免内循环被编译优化消掉.
}
++k;
dt = clock() - tm0;
}while(dt
// show
mps = (double)k*testloop*BUFSIZE*CLOCKS_PER_SEC/(1024.0*1024.0*dt); // k*testloop*BUFSIZE/(1024.0*1024.0) 将数据规模换算为M，然后再乘以 CLOCKS_PER_SEC/dt 换算为M/s .
if (mps_good
//printf("%s:\t%.0f M/s\t//%f\n", szname, mps, n);
}
printf("%s:\t%.0f M/s\t//%f\n", szname, mps_good, n);
}
j是最内层的循环，负责多次调用TESTPROC函数指针。如果每调用一次TESTPROC函数指针后又调用clock函数，那会带来较大的计时开销，影响评测成绩。
k循环负责检测超时。当发现超过预定时限，便计算mps，即每秒钟处理了多少百万个单精度浮点数。然后存储最佳的mps。
i是最外层循环的循环变量，循环3次然后报告最佳值。
2.5.3 进行测试
在进行测试之前，需要对buf数组进行初始化，将数组元素赋随机值——// init buf srand( (unsigned)time( NULL ) ); for (i = 0; i < BUFSIZE; i++) buf[i] = (float)(rand() & 0x3f); // 使用&0x3f是为了让求和后的数值不会超过float类型的有效位数，便于观察结果是否正确.
然后可以开始测试了——
// test
runTest("sumfloat_base", sumfloat_base); // 单精度浮点数组求和_基本版.
#ifdef INTRIN_SSE
if (simd_sse_level(NULL) >= SIMD_SSE_1)
{
runTest("sumfloat_sse", sumfloat_sse); // 单精度浮点数组求和_SSE版.
runTest("sumfloat_sse_4loop", sumfloat_sse_4loop); // 单精度浮点数组求和_SSE四路循环展开版.
}
#endif // #ifdef INTRIN_SSE
#ifdef INTRIN_AVX
if (simd_avx_level(NULL) >= SIMD_AVX_1)
{
runTest("sumfloat_avx", sumfloat_avx); // 单精度浮点数组求和_AVX版.
runTest("sumfloat_avx_4loop", sumfloat_avx_4loop); // 单精度浮点数组求和_AVX四路循环展开版.
}
#endif // #ifdef INTRIN_AVX
INTRIN_SSE、INTRIN_AVX 宏是 zintrin.h 提供的，用于在编译时检测编译器是否支持SSE、AVX指令集。
simd_sse_level、simd_avx_level函数是 ccpuid.h 提供的，用于在运行时检测当前系统环境是否支持SSE、AVX指令集。
2.6 杂项
为了方便对比测试，可以在程序启动时显示程序版本、编译器名称、CPU型号信息。即在main函数中加上——char szBuf[64];
int i;
printf("simdsumfloat v1.00 (�it)\n", INTRIN_WORDSIZE);
printf("Compiler: %s\n", COMPILER_NAME);
cpu_getbrand(szBuf);
printf("CPU:\t%s\n", szBuf);
printf("\n");
INTRIN_WORDSIZE 宏是 zintrin.h 提供的，为当前机器的字长。
cpu_getbrand是 ccpuid.h 提供的，用于获得CPU型号字符串。
COMPILER_NAME 是一个用来获得编译器名称的宏，它的详细定义是——
// Compiler name
#define MACTOSTR(x) #x
#define MACROVALUESTR(x) MACTOSTR(x)
#if defined(__ICL) // Intel C++
# if defined(__VERSION__)
# define COMPILER_NAME "Intel C++ " __VERSION__
# elif defined(__INTEL_COMPILER_BUILD_DATE)
# define COMPILER_NAME "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")"
# else
# define COMPILER_NAME "Intel C++"
# endif // # if defined(__VERSION__)
#elif defined(_MSC_VER) // Microsoft VC++
# if defined(_MSC_FULL_VER)
# define COMPILER_NAME "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")"
# elif defined(_MSC_VER)
# define COMPILER_NAME "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")"
# else
# define COMPILER_NAME "Microsoft VC++"
# endif // # if defined(_MSC_FULL_VER)
#elif defined(__GNUC__) // GCC
# if defined(__CYGWIN__)
# define COMPILER_NAME "GCC(Cygmin) " __VERSION__
# elif defined(__MINGW32__)
# define COMPILER_NAME "GCC(MinGW) " __VERSION__
# else
# define COMPILER_NAME "GCC " __VERSION__
# endif // # if defined(_MSC_FULL_VER)
#else
# define COMPILER_NAME "Unknown Compiler"
#endif // #if defined(__ICL) // Intel C++
三、全部代码
3.1 simdsumfloat.c
全部代码——simdsumfloat.c
#define __STDC_LIMIT_MACROS 1 // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.]
#include
#include
#include
#include "zintrin.h"
#include "ccpuid.h"
// Compiler name
#define MACTOSTR(x) #x
#define MACROVALUESTR(x) MACTOSTR(x)
#if defined(__ICL) // Intel C++
# if defined(__VERSION__)
# define COMPILER_NAME "Intel C++ " __VERSION__
# elif defined(__INTEL_COMPILER_BUILD_DATE)
# define COMPILER_NAME "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")"
# else
# define COMPILER_NAME "Intel C++"
# endif // # if defined(__VERSION__)
#elif defined(_MSC_VER) // Microsoft VC++
# if defined(_MSC_FULL_VER)
# define COMPILER_NAME "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")"
# elif defined(_MSC_VER)
# define COMPILER_NAME "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")"
# else
# define COMPILER_NAME "Microsoft VC++"
# endif // # if defined(_MSC_FULL_VER)
#elif defined(__GNUC__) // GCC
# if defined(__CYGWIN__)
# define COMPILER_NAME "GCC(Cygmin) " __VERSION__
# elif defined(__MINGW32__)
# define COMPILER_NAME "GCC(MinGW) " __VERSION__
# else
# define COMPILER_NAME "GCC " __VERSION__
# endif // # if defined(_MSC_FULL_VER)
#else
# define COMPILER_NAME "Unknown Compiler"
#endif // #if defined(__ICL) // Intel C++
//////////////////////////////////////////////////
// sumfloat: 单精度浮点数组求和的函数
//////////////////////////////////////////////////
// 单精度浮点数组求和_基本版.
//
// result: 返回数组求和结果.
// pbuf: 数组的首地址.
// cntbuf: 数组长度.
float sumfloat_base(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
for(i=0; i
{
s += pbuf[i];
}
return s;
}
#ifdef INTRIN_SSE
// 单精度浮点数组求和_SSE版.
float sumfloat_sse(const float* pbuf, size_t cntbuf)
{
float s = 0; // 求和变量.
size_t i;
size_t nBlockWidth = 4; // 块宽. SSE寄存器能一次处理4个float.
size_t cntBlock = cntbuf / nBlockWidth; // 块数.
size_t cntRem = cntbuf % nBlockWidth; // 剩余数量.
__m128 xfsSum = _mm_setzero_ps(); // 求和变量。[SSE] 赋初值0
__m128 xfsLoad; // 加载.
const float* p = pbuf; // SSE批量处理时所用的指针.
const float* q; // 将SSE变量上的多个数值合并时所用指针.
// SSE批量处理.
for(i=0; i
{
xfsLoad = _mm_load_ps(p); // [SSE] 加载
xfsSum = _mm_add_ps(xfsSum, xfsLoad); // [SSE] 单精浮点紧缩加法
p += nBlockWidth;
}
// 合并.
q = (const float*)&xfsSum;
s = q[0] + q[1] + q[2] + q[3];
// 处理剩下的.
for(i=0; i
{
s += p[i];
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 一个简单求和函数的matlab实现（带程序耗时功能）
- 一个简单的oracle分页存储过程的实现和调用
- 一个简单的oracle分页存储过程的实现和调用
- C#真他妈神奇，一个函数都不用写就能实现一个简单的邮件发送工具
- 用C语言的可变参函数实现一个简单的printf函数
- 一个简单的oracle分页存储过程的实现和调用
- 一个简单的oracle分页存储过程的实现和调用
- 一个简单的oracle分页存储过程的实现和调用
- 实现一个简单的 eval 函数计算加减法和括号
- 一个简单的java回调函数的实现
- 一个简单的oracle分页存储过程的实现和调用
- 一个简单的oracle分页存储过程的实现和调用
- MySQL笔记（一个简单select的函数调用过程）
- 一个简单的Redis结合Spring MVC架构以及实现过程
- JBPM学习(一)：实现一个简单的工作流例子全过程
- SQL2000 存储过程中实现递归的一个简单例子
- 一个简单用C语言实现的日志函数
- 简单的使用自动化技术实现用WORD读取一个XML文件的过程~
- 用Python实现一个1加到n求和功能的函数
- 写4个同名方法，实现两个整数、两个实数，一个实数一个整数，一个整数一个实数之间的求和。在主调函数中调用这4个方法计算相关的值。（方法的重载）