我写了这个函数 int compare_16bytes(__m128i lhs, __m128i rhs) 为了使用SSE指令比较两个16字节数：该函数返回执行比较后相等的字节数。
现在我想使用上面的函数来比较任意长度的两个字节数组：长度可能不是16字节的倍数，所以我需要处理这个问题。我怎样才能完成下面这个功能的实现？我怎样才能改进下面的功能？
int fast_compare(const char* s, const char* t, int length)
{
int result = 0;
const char* sPtr = s;
const char* tPtr = t;
while(...)
{
const __m128i* lhs = (const __m128i*)sPtr;
const __m128i* rhs = (const __m128i*)tPtr;
// compare the next 16 bytes of s and t
result += compare_16bytes(*lhs,*rhs);
sPtr += 16;
tPtr += 16;
}
return result;
}
正如@Mysticial在上面的评论中所说，做垂直比较和求和，然后在主循环结束时水平求和：
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <emmintrin.h>
// reference implementation
int fast_compare_ref(const char *s, const char *t, int length)
{
int result = 0;
int i;
for (i = 0; i < length; ++i)
{
if (s[i] == t[i])
result++;
}
return result;
}
// optimised implementation
int fast_compare(const char *s, const char *t, int length)
{
int result = 0;
int i;
__m128i vsum = _mm_set1_epi32(0);
for (i = 0; i < length - 15; i += 16)
{
__m128i vs, vt, v, vh, vl, vtemp;
vs = _mm_loadu_si128((__m128i *)&s[i]); // load 16 chars from input
vt = _mm_loadu_si128((__m128i *)&t[i]);
v = _mm_cmpeq_epi8(vs, vt); // compare
vh = _mm_unpackhi_epi8(v, v); // unpack compare result into 2 x 8 x 16 bit vectors
vl = _mm_unpacklo_epi8(v, v);
vtemp = _mm_madd_epi16(vh, vh); // accumulate 16 bit vectors into 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, vtemp);
vtemp = _mm_madd_epi16(vl, vl);
vsum = _mm_add_epi32(vsum, vtemp);
}
// get sum of 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
result = _mm_cvtsi128_si32(vsum);
// handle any residual bytes ( < 16)
if (i < length)
{
result += fast_compare_ref(&s[i], &t[i], length - i);
}
return result;
}
// test harness
int main(void)
{
const int n = 1000000;
char *s = malloc(n);
char *t = malloc(n);
int i, result_ref, result;
srand(time(NULL));
for (i = 0; i < n; ++i)
{
s[i] = rand();
t[i] = rand();
}
result_ref = fast_compare_ref(s, t, n);
result = fast_compare(s, t, n);
printf("result_ref = %d, result = %d\n", result_ref, result);;
return 0;
}
编译并运行上面的测试工具：
$ gcc -Wall -O3 -msse3 fast_compare.c -o fast_compare
$ ./fast_compare
result_ref = 3955, result = 3955
$ ./fast_compare
result_ref = 3947, result = 3947
$ ./fast_compare
result_ref = 3945, result = 3945
请注意，在我们使用的上述SSE代码中有一个可能非显而易见的技巧 _mm_madd_epi16 打开并累积16位 0/-1 值为32位部分和。我们利用这个事实 -1*-1 = 1 （和 0*0 = 0 当然） - 我们在这里并没有真正做多，只需在一条指令中解包和求和。
更新：如下面的评论中所述，这个解决方案并不是最优的 - 我只采用了一个相当优化的16位解决方案，并添加了8位到16位解包，使其适用于8位数据。然而，对于8位数据，存在更有效的方法，例如，运用 psadbw/_mm_sad_epu8。我将把这个答案留给后人，对于那些可能想要用16位数据做这种事情的人，但实际上其中一个不需要解压缩输入数据的答案应该是接受的答案。
在16 x uint8元素中使用部分和可以提供更好的性能。
我把循环划分为内循环和外循环。
内循环求和uint8元素（每个uint8元素总和可达255“1”）。
小技巧：_mm_cmpeq_epi8将相等元素设置为0xFF，并且（char）0xFF = -1，因此可以从总和中减去结果（减去-1以添加1）。
这是我对fast_compare的优化版本：
int fast_compare2(const char *s, const char *t, int length)
{
int result = 0;
int inner_length = length;
int i;
int j = 0;
//Points beginning of 4080 elements block.
const char *s0 = s;
const char *t0 = t;
__m128i vsum = _mm_setzero_si128();
//Outer loop sum result of 4080 sums.
for (i = 0; i < length; i += 4080)
{
__m128i vsum_uint8 = _mm_setzero_si128(); //16 uint8 sum elements (each uint8 element can sum up to 255).
__m128i vh, vl, vhl, vhl_lo, vhl_hi;
//Points beginning of 4080 elements block.
s0 = s + i;
t0 = t + i;
if (i + 4080 <= length)
{
inner_length = 4080;
}
else
{
inner_length = length - i;
}
//Inner loop - sum up to 4080 (compared) results.
//Each uint8 element can sum up to 255. 16 uint8 elements can sum up to 255*16 = 4080 (compared) results.
//////////////////////////////////////////////////////////////////////////
for (j = 0; j < inner_length-15; j += 16)
{
__m128i vs, vt, v;
vs = _mm_loadu_si128((__m128i *)&s0[j]); // load 16 chars from input
vt = _mm_loadu_si128((__m128i *)&t0[j]);
v = _mm_cmpeq_epi8(vs, vt); // compare - set to 0xFF where equal, and 0 otherwise.
//Consider this: (char)0xFF = (-1)
vsum_uint8 = _mm_sub_epi8(vsum_uint8, v); //Subtract the comparison result - subtract (-1) where equal.
}
//////////////////////////////////////////////////////////////////////////
vh = _mm_unpackhi_epi8(vsum_uint8, _mm_setzero_si128()); // unpack result into 2 x 8 x 16 bit vectors
vl = _mm_unpacklo_epi8(vsum_uint8, _mm_setzero_si128());
vhl = _mm_add_epi16(vh, vl); //Sum high and low as uint16 elements.
vhl_hi = _mm_unpackhi_epi16(vhl, _mm_setzero_si128()); //unpack sum of vh an vl into 2 x 4 x 32 bit vectors
vhl_lo = _mm_unpacklo_epi16(vhl, _mm_setzero_si128()); //unpack sum of vh an vl into 2 x 4 x 32 bit vectors
vsum = _mm_add_epi32(vsum, vhl_hi);
vsum = _mm_add_epi32(vsum, vhl_lo);
}
// get sum of 4 x 32 bit partial sums
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
result = _mm_cvtsi128_si32(vsum);
// handle any residual bytes ( < 16)
if (j < inner_length)
{
result += fast_compare_ref(&s0[j], &t0[j], inner_length - j);
}
return result;
}
大输入的最快方法是Rotem的答案，内循环是 pcmpeqb / psubb，在向量累加器的任何字节元素溢出之前断开到水平求和。使用无符号字节的hsum psadbw 反对全零向量。
如果没有展开/嵌套循环，最好的选择可能就是
pcmpeqb -> vector of 0 or 0xFF elements
psadbw -> two 64bit sums of (0*no_matches + 0xFF*matches)
paddq -> accumulate the psadbw result in a vector accumulator
#outside the loop:
horizontal sum
divide the result by 255
如果循环中没有很多寄存器压力， psadbw 对矢量 0x7f 而不是全零。
psadbw(0x00, set1(0x7f)) => sum += 0x7fpsadbw(0xff, set1(0x7f)) => sum += 0x80
因此，而不是除以255（编译器应该在没有实际的情况下有效地执行 div），你只需要减去 n * 0x7f，哪里 n 是元素的数量。
另请注意 paddq 前Nehalem和Atom很慢，所以你可以使用 paddd （_mm_add_epi32）如果你不指望128 *计数永远溢出32位整数。
这与Paul R's相比非常好 pcmpeqb / 2x punpck / 2x pmaddwd / 2x paddw。
SSE中的整数比较产生全部为零或全部为1的字节。如果要计数，首先需要右移（不算术）比较结果7，然后添加到结果向量。
最后，您仍然需要通过对其元素求和来减少结果向量。这种减少必须在标量代码中完成，或者通过一系列添加/移位来完成。通常这部分不值得麻烦。