SSE slower than FPU?

SSE slower than FPU?

本文关键字：FPU than slower SSE      更新时间：2023-10-16

我有一大块代码，其中一部分包含以下代码：

result = (nx * m_Lx + ny * m_Ly + m_Lz) / sqrt(nx * nx + ny * ny + 1);

我已经将其矢量化如下（一切都已经是float）：

__m128 r = _mm_mul_ps(_mm_set_ps(ny, nx, ny, nx),
                      _mm_set_ps(ny, nx, m_Ly, m_Lx));
__declspec(align(16)) int asInt[4] = {
    _mm_extract_ps(r,0), _mm_extract_ps(r,1),
    _mm_extract_ps(r,2), _mm_extract_ps(r,3)
};
float (&res)[4] = reinterpret_cast<float (&)[4]>(asInt);
result = (res[0] + res[1] + m_Lz) / sqrt(res[2] + res[3] + 1);

结果是正确的；然而，我的基准测试显示，矢量化版本的速度慢：

  • 非矢量化版本需要3750毫秒
  • 矢量化版本需要4050毫秒
  • 直接将result设置为0（并完全删除这部分代码）可将整个过程缩短至2500毫秒

既然矢量化版本只包含一组SSE乘法（而不是四个单独的FPU乘法），为什么它更慢？FPU是否确实比SSE快，或者这里是否存在混淆变量？

（我在移动Core i5上。）

使用_mm_set_ps和_mm_extract_ps在SSE寄存器之间移动标量值花费了大量时间，这将生成大量指令，执行时间将远远超过使用_mm_mul_ps带来的任何好处。查看生成的程序集输出，了解除了单个MULPS指令之外还有多少代码正在生成。

为了正确地向量化，您需要使用128位SSE加载和存储（_mm_load_ps/_mm_store_ps），然后使用SSE混洗指令在需要的地方移动寄存器中的元素。

还有一点需要注意——现代CPU，如酷睿i5、酷睿i7，有两个标量FPU，每个时钟可以发出2个浮点乘法。因此，SSE对单精度浮点的潜在好处最多只有2倍。如果你有过多的"内务管理"说明，很容易失去大部分/全部这2倍的好处，就像这里的情况一样。

有几个问题：

  1. 在这样的操作中使用SSE指令不会有太多好处，因为SSE指令应该在并行操作（即同时乘以多个值）上更好。你的所作所为是对SSE的滥用
  2. 不要设置值，使用指向数组中第一个值的指针，但是您的值不在数组中
  3. 不要提取值并将其复制到数组中。这也是对SSE的滥用。结果应该在一个数组中

我认为处理器在加载下一个值时使用FPU有时间计算第一次乘法。SSE必须首先加载所有值。

相关文章：