三维矢量的SSE对齐

SSE alignment of 3D vector

本文关键字：SSE 对齐 三维      更新时间：2023-10-16

我希望确保SSE用于我的3D(96位)浮点矢量的算术。然而，我读到了关于什么是必要的相互矛盾的观点。

有些文章/帖子说我需要使用4D向量并"忽略"第4个元素，有些文章/文章说我必须用__declspec(align(16))之类的东西来装饰我的类并覆盖new运算符，还有一些文章/帖子认为编译器足够聪明，可以为我对齐东西(我真的希望这是真的！)。

我正在使用Eigen库，但发现"不受支持"的AlignedVector3类不适合使用(例如，在进行分量除法时除以零错误，lpNorm函数包括伪第四元素)。

我读过的很多文章都已经好几年了，所以我希望现代编译器/SSE版本/CPU可以为我对齐数据，或者使用非16字节对齐的数据。任何关于这方面的最新知识都将不胜感激！

实际上我们在工作中使用SIMD，也许我可以向您提供我的反馈。对齐是处理SIMD时必须注意的问题，这是为了确保缓存线对齐。然而，我不确定如果它没有对齐，它是否仍然会导致崩溃，或者CPU是否能够进行管理(就像以前的未对齐标量类型一样，它会导致崩溃。现在CPU会处理它，但它会降低性能)。也许你可以看看这里SSE，内部和对齐它似乎对问题的对齐部分有很好的答案。

事实上，即使它在物理上是4D向量，您也将其用作3D向量，这并不是一个真正好的做法，因为您无法从SIMD指令的所有性能中获益。匹配它的最佳方式是使用阵列结构(SOA)。

注意：我假设128位SIMD寄存器映射到4种标量类型(int或float)

例如，如果您有4个三维点(或向量)，按照您的方式，您将有4个4D向量，忽略每个点的第4个分量。总的来说，您最终会获得4*4个可访问的值。

通过使用SOA，您将拥有3个SIMD128位(12个值)寄存器，并将以以下方式存储您的点。SIMD-

  • r1:x x x
  • r2:y y y
  • r3:z z z z

通过这种方式，您可以填充整个SIMD寄存器，从而最大限度地利用SIMD优势。另一件事是，您必须进行的许多计算(例如添加2组4个向量)将只需要3条SIMD指令。它的使用和理解有点棘手，但当你这样做时，收获是巨大的。

当然，你不可能在所有情况下都以这种方式使用它，所以你会回到忽略最后一个值的原始解决方案。

相关文章：