具有多种功能的可视化C++SSE优化

我有一些代码的结构与下面的类似。有一堆小型SSE辅助函数，一个较大的函数完成大部分工作，还有一个公共函数组织数据，在循环中运行大型函数并处理任何剩余的数据。

这使标量实现的速度提高了约2倍，但如果可能的话，我希望获得更多。除了一些概念问题外，在反汇编中还有一些我不喜欢的东西（只详细介绍了x86 VC++2010，但支持x86和GCC）。

对于至少一些目标，我在这里只能使用SSE和SSE2，但如果值得单独构建，我也可以使用更新的指令集。

---

问题1:

所有的小助手都很好地内联到了大助手中，而大助手则没有。

然而，即使它只被一个源文件中的一个函数引用，并且有很多寄存器（从算法来看，除了加载数据数组之外，它肯定最多只需要12个XMM寄存器），编译器似乎希望遵循fooHelper的正常调用约定。

因此，在将数据放入foo中的XMM寄存器后，它会将它们放回堆栈，并传递指针，然后在循环和整理内容后，它将堆栈加载回XMM，这样我就可以再次卸载它。。。

我想我可以强制它内联fooHelper，但这是大量重复的指令，因为它不会使用4个XMM寄存器来完成这项工作。我也不能在foo本身中使用SSE，这将消除加载/存储问题，但fooHelper仍在对这4个状态变量进行完全不需要的加载和存储。。。

理想情况下，因为这是一个私有函数，所以忽略正常调用约定的方法会很好，我相信这会出现在SSE的许多其他较大部分中，我真的不希望所有内容都完全内联。

---

问题2:

该实现基本上是在组织为AAAA、BBBB、CCCC、DDDD的4个状态向量上工作，这样代码就可以简单地编写，就好像它将A、B、C和D作为单独的变量工作一样，同时同时处理所有4个数据流。

但是，输出本身的格式为ABCD，ABCD，BAO，ABCD并且输入也是4个单独的缓冲区，需要_m_set_epi32来加载它。

有没有更好的方法来处理这些输入和输出（其格式实际上无法更改）？

---

namespace
{
    void fooHelperA(__m128i &a, __m128i b, __m128i x, int s)
    {
        ...small function (<5 sse operations)...
    }
    ...bunch of other small functions...
    //
    void fooHelper(        
         const int *data1, const int *data2, const int *data3, const int *data4,
         __m128i &a, __m128i &b, __m128i &c, __m128i &d)
    {
        //Get the current piece of data
        __m128 c = _mm_set_epi32(data1[0], data2[0], data3[0], data4[0]);
        ...do stuff with data...
        fooHelperA(a, b, c, 5);
        ...
        c = _mm_set_epi32(data1[1], data2[1], data3[1], data4[1]);
        ...
        fooHelperA(b, a, c, 7);
        ... lots more code ...
        c = _mm_set_epi32(data1[3], data2[3], data3[3], data4[3]);
        ...
    }
}
void foo(
    const char*data1, const char *data2, const float *data3, const char *data4,
    int*out1, int*out2, int*out3, int*out4,
    size_t len)
{
    __m128i a = _mm_setzero_si128();
    __m128i b = _mm_setzero_si128();
    __m128i c = _mm_setzero_si128();
    __m128i d = _mm_setzero_si128();
    while (len >= 16) //expected to loop <25 times for datasets in question
    {
        fooHelper((const int*)data1, (const int*)data2, (const int*)data3, (const int*)data4, a,b,c,d);
        data1 += 16;
        data2 += 16;
        data3 += 16;
        data4 += 16;
        len -= 16;
    }
    if (len)
    {
        int[4][4] buffer;
        ...padd data into buffer...
        fooHelper(buffer[0], buffer[1], buffer[2], buffer[3], a,b,c,d);
    }
    ALIGNED(16, int[4][4]) tmp;
    _mm_store_si128((__m128i*)tmp[0], a);
    _mm_store_si128((__m128i*)tmp[1], b);
    _mm_store_si128((__m128i*)tmp[2], c);
    _mm_store_si128((__m128i*)tmp[3], d);
    out1[0] = tmp[0][0];
    out2[0] = tmp[0][1];
    out3[0] = tmp[0][2];
    out4[0] = tmp[0][3];
    out1[1] = tmp[0][0];
    out2[1] = tmp[0][1];
    out3[1] = tmp[0][2];
    out4[1] = tmp[0][3];
    out1[2] = tmp[0][0];
    out2[2] = tmp[0][1];
    out3[2] = tmp[0][2];
    out4[2] = tmp[0][3];
    out1[3] = tmp[0][0];
    out2[3] = tmp[0][1];
    out3[3] = tmp[0][2];
    out4[3] = tmp[0][3];
}