我正在使用SSE内在函数为英特尔x86 Nehalem微架构优化一些代码。
我的程序的一部分计算4个点产品，并将每个结果添加到阵列的连续块中的先前值。进一步来说，
tmp0 = _mm_dp_ps(A_0m, B_0m, 0xF1);
tmp1 = _mm_dp_ps(A_1m, B_0m, 0xF2);
tmp2 = _mm_dp_ps(A_2m, B_0m, 0xF4);
tmp3 = _mm_dp_ps(A_3m, B_0m, 0xF8);
tmp0 = _mm_add_ps(tmp0, tmp1);
tmp0 = _mm_add_ps(tmp0, tmp2);
tmp0 = _mm_add_ps(tmp0, tmp3);
tmp0 = _mm_add_ps(tmp0, C_0n);
_mm_storeu_ps(C_2, tmp0);
请注意，我通过使用4个临时xmm寄存器来保存每个点积的结果。在每个xmm寄存器中，结果相对于其他临时xmm寄存器放入一个唯一的32位，这样最终结果如下所示：
tmp0 = R0-零 - 零
tmp1 =零-R1-零
tmp2 =零 - 零 - 零
tmp3 =零 - 零 - R3
我将每个tmp变量中包含的值组合成一个xmm变量，并将它们与以下说明相加：
tmp0 = _mm_add_ps(tmp0, tmp1);
tmp0 = _mm_add_ps(tmp0, tmp2);
tmp0 = _mm_add_ps(tmp0, tmp3);
最后，我将包含点积的所有4个结果的寄存器添加到数组的连续部分，以便数组的索引以点积递增，如此（C_0n是当前要更新的数组中的4个值） ; C_2是指向这4个值的地址）：
tmp0 = _mm_add_ps(tmp0, C_0n);
_mm_storeu_ps(C_2, tmp0);
我想知道是否有一种更少的，更有效的方法来获取点积的结果并将它们添加到阵列的连续块中。通过这种方式，我在寄存器之间进行了3次添加，其中只有1个非零值。似乎应该有一个更有效的方法来解决这个问题。
我感谢所有的帮助。谢谢。
对于这样的代码，我喜欢存储A和B的“转置”，以便{A_0m.x，A_1m.x，A_2m.x，A_3m.x}存储在一个向量中等等。然后你可以做只使用乘法和加法的点积，当你完成后，你在一个矢量中有所有4个点积，没有任何改组。
这在光线追踪中经常使用，以一次测试4条光线对着平面（例如，当穿过kd树时）。但是，如果您无法控制输入数据，那么进行转置的开销可能不值得。该代码也将在SSE4之前的机器上运行，尽管这可能不是问题。
关于现有代码的小效率说明：而不是这个
tmp0 = _mm_add_ps(tmp0, tmp1);
tmp0 = _mm_add_ps(tmp0, tmp2);
tmp0 = _mm_add_ps(tmp0, tmp3);
tmp0 = _mm_add_ps(tmp0, C_0n);
这样做可能稍微好一些：
tmp0 = _mm_add_ps(tmp0, tmp1); // 0 + 1 -> 0
tmp2 = _mm_add_ps(tmp2, tmp3); // 2 + 3 -> 2
tmp0 = _mm_add_ps(tmp0, tmp2); // 0 + 2 -> 0
tmp0 = _mm_add_ps(tmp0, C_0n);
作为前两个 mm_add_ps现在完全独立了。另外，我不知道添加与改组的相对时间，但这可能会稍快一些。
希望有所帮助。
也可以使用SSE3 hadd。在一些简单的测试中，它比使用_dot_ps更快。
这将返回可添加的4个点产品。
static inline __m128 dot_p(const __m128 x, const __m128 y[4])
{
__m128 z[4];
z[0] = x * y[0];
z[1] = x * y[1];
z[2] = x * y[2];
z[3] = x * y[3];
z[0] = _mm_hadd_ps(z[0], z[1]);
z[2] = _mm_hadd_ps(z[2], z[3]);
z[0] = _mm_hadd_ps(z[0], z[2]);
return z[0];
}
您可以尝试将点积结果保留为低位字，并使用标量存储操作 _mm_store_ss 将每个m128寄存器中的一个浮点数保存到数组的相应位置。 Nehalem的存储缓冲区应该在同一行上累积连续写入并批量刷新到L1。
专业方法是celion的转置方法。 MSVC的 _MM_TRANSPOSE4_PS 宏将为你做转置。
对于这样的代码，我喜欢存储A和B的“转置”，以便{A_0m.x，A_1m.x，A_2m.x，A_3m.x}存储在一个向量中等等。然后你可以做只使用乘法和加法的点积，当你完成后，你在一个矢量中有所有4个点积，没有任何改组。
这在光线追踪中经常使用，以一次测试4条光线对着平面（例如，当穿过kd树时）。但是，如果您无法控制输入数据，那么进行转置的开销可能不值得。该代码也将在SSE4之前的机器上运行，尽管这可能不是问题。
关于现有代码的小效率说明：而不是这个
tmp0 = _mm_add_ps(tmp0, tmp1);
tmp0 = _mm_add_ps(tmp0, tmp2);
tmp0 = _mm_add_ps(tmp0, tmp3);
tmp0 = _mm_add_ps(tmp0, C_0n);
这样做可能稍微好一些：
tmp0 = _mm_add_ps(tmp0, tmp1); // 0 + 1 -> 0
tmp2 = _mm_add_ps(tmp2, tmp3); // 2 + 3 -> 2
tmp0 = _mm_add_ps(tmp0, tmp2); // 0 + 2 -> 0
tmp0 = _mm_add_ps(tmp0, C_0n);
作为前两个 mm_add_ps现在完全独立了。另外，我不知道添加与改组的相对时间，但这可能会稍快一些。
希望有所帮助。
也可以使用SSE3 hadd。在一些简单的测试中，它比使用_dot_ps更快。
这将返回可添加的4个点产品。
static inline __m128 dot_p(const __m128 x, const __m128 y[4])
{
__m128 z[4];
z[0] = x * y[0];
z[1] = x * y[1];
z[2] = x * y[2];
z[3] = x * y[3];
z[0] = _mm_hadd_ps(z[0], z[1]);
z[2] = _mm_hadd_ps(z[2], z[3]);
z[0] = _mm_hadd_ps(z[0], z[2]);
return z[0];
}
您可以尝试将点积结果保留为低位字，并使用标量存储操作 _mm_store_ss 将每个m128寄存器中的一个浮点数保存到数组的相应位置。 Nehalem的存储缓冲区应该在同一行上累积连续写入并批量刷新到L1。
专业方法是celion的转置方法。 MSVC的 _MM_TRANSPOSE4_PS 宏将为你做转置。
我意识到这个问题很老，但为什么要用 _mm_add_ps 在所有？替换为：
tmp0 = _mm_or_ps(tmp0, tmp1);
tmp2 = _mm_or_ps(tmp2, tmp3);
tmp0 = _mm_or_ps(tmp0, tmp2);
你可以隐藏一些 _mm_dp_ps 潜伏。首先 _mm_or_ps 不等待最后的2个点产品，它是一个（快速）逐位操作。最后：
_mm_storeu_ps(C_2, _mm_add_ps(tmp0, C_0));