SSE指令集学习：Compiler Intrinsic

大多数的函数是在库中，Intrinsic Function却内嵌在编译器中（built in to the compiler）。

1. Intrinsic Function

Intrinsic Function作为内联函数，直接在调用的地方插入代码，即避免了函数调用的额外开销，又能够使用比较高效的机器指令对该函数进行优化。优化器（Optimizer）内置的一些Intrinsic Function行为信息，可以对Intrinsic进行一些不适用于内联汇编的优化，所以通常来说Intrinsic Function要比等效的内联汇编（inline assembly）代码快。优化器能够根据不同的上下文环境对Intrinsic Function进行调整，例如：以不同的指令展开Intrinsic Function，将buffer存放在合适的寄存器等。

使用 Intrinsic Function对代码的移植性会有一定的影响，这是由于有些Intrinsic Function只适用于Visual C++，在其他编译器上是不适用的；更有些Intrinsic Function面向的是特定的CPU架构，不是全平台通用的。上面提到的这些因素对使用Intrinsic Function代码的移植性有一些不好的影响，但是和内联汇编相比，移植含有Intrinsic Function的代码无疑是方便了很多。另外，64位平台已经不再支持内联汇编。

2. SSE Intrinsic

VS和GCC都支持SSE指令的Intrinsic，SSE有多个不同的版本，其对应的Intrinsic也包含在不同的头文件中，如果确定只使用某个版本的SSE指令则只包含相应的头文件即可。

SSE指令集学习：Compiler Intrinsic

引用自：http://www.cnblogs.com/zyl910/archive/2012/02/28/vs_intrin_table.html

例如，要使用SSE3，则

#include <tmmintrin.h>

如果不关心使用那个版本的SSE指令，则可以包含所有

#include <intrin.h>

2.1 数据类型

Intrinsic使用的数据类型和其寄存器是想对应，有

64位 MMX指令集使用
128位 SSE指令集使用
256位 AVX指令集使用

甚至AVX-512指令集有512位的寄存器，那么相对应Intrinsic的数据也就有512位。

具体的数据类型及其说明如下：

__m64 64位对应的数据类型，该类型仅能供MMX指令集使用。由于MMX指令集也能使用SSE指令集的128位寄存器，故该数据类型使用的情况较少。
__m128 / __m128i / __m128d 这三种数据类型都是128位的数据类型。由于SSE指令集即能操作整型，又能操作浮点型（单精度和双精度），这三种数据类型根据所带后缀的不同代表不同类型的操作数。__m128是单精度浮点数，__m128i是整型，__m128d是双精度浮点数。

256和512的数据类型和128位的类似，只是存放的个数不同，这里不再赘述。

知道了各种数据类型的长度以及其代码的意义，那么它的表现形式到底是怎么样的呢？看下图

SSE指令集学习：Compiler Intrinsic

__m128i yy;

yy是__m128i型，从上图可以看出__m128i是一个联合体（union），根据不同成员包含不同的数据类型。看其具体的成员包含了8位、16位、32位和64位的有符号/无符号整数（这里__m128i是整型，故只有整型的成员，浮点数的使用__m128）。而每个成员都是一个数组，数组中填充着相应的数据，并且根据数据长度的不同数组的长度也不同（数组长度 = 128 / 每个数据的长度（位））。在使用的时候一定要特别的注意要操作数据的类型，也就是数据的长度，例如上图同一个变量yy当作4个32位有符号整型使用时其数据是：0，0，1024，1024；但是当做64位有符号整型时其数据为：0，4398046512128，大大的不同。

在MSVC下可以使用yy.m128i_i32[0]取出第一个32位整型数据，原生的Intrinsic函数是没有提供该功能的，这是在MSVC的扩展，比较像Microsoft的风格，使用及其的方便但是效率很差，所以这种方法在GCC/Clang下面是不可用的。在MSVC下面可以根据需要使用不使用这种抽取数据的方法，但是这种功能在调试代码时是非常方便的，如上图可以很容易的看出128位的数据在不同数据类型下其值的不同。

2.2 Intrinsic 函数的命名

Intrinsic函数的命名也是有一定的规律的，一个Intrinsic通常由3部分构成，这个三个部分的具体含义如下：

第一部分为前缀_mm，表示是SSE指令集对应的Intrinsic函数。_mm256或_mm512是AVX,AVX-512指令集的Intrinsic函数前缀，这里只讨论SSE故略去不作说明。
第二部分为对应的指令的操作，如_add，_mul，_load等，有些操作可能会有修饰符，如loadu将未16位对齐的操作数加载到寄存器中。
第三部分为操作的对象名及数据类型，_ps packed操作所有的单精度浮点数；_pd packed操作所有的双精度浮点数；_pixx（xx为长度，可以是8，16，32，64）packed操作所有的xx位有符号整数，使用的寄存器长度为64位；_epixx（xx为长度）packed操作所有的xx位的有符号整数，使用的寄存器长度为128位；_epuxx packed操作所有的xx位的无符号整数；_ss操作第一个单精度浮点数。....

将这三部分组合到以其就是一个完整的Intrinsic函数，如_mm_mul_epi32 对参数中所有的32位有符号整数进行乘法运算。

SSE指令集对分支处理能力非常的差，而且从128位的数据中提取某些元素数据的代价又非常的大，因此不适合有复杂逻辑的运算。

3. Intrinsic版双线性插值

在上一篇文章SSE指令集优化学习：双线性插值使用SSE汇编指令对双线性插值算法进行了优化，这里将其改成为Intrinsic版的。

3.1 计算 (y * width + x) * depth

目的像素需要其映射到源像素周围最近的4个像素插值得到，这里同时计算源像素的最近的4个像素值的偏移量。

                __m128i wwidth = _mm_set_epi32(0, width, 0, width);

                __m128i yy = _mm_set_epi32(0, y2, 0, y1);

                yy = _mm_mul_epi32(yy, wwidth);  //y1 * width 0 y2 *width 0

                yy = _mm_shuffle_epi32(yy, 0xd8); // y1 * width y2 * width 0 0

                yy = _mm_unpacklo_epi32(yy, yy); // y1 * width y2 * width y1 * width y2 * width

                yy = _mm_shuffle_epi32(yy, _MM_SHUFFLE(3, 1, 2, 0));

                __m128i xx = _mm_set_epi32(x2, x2, x1, x1);

                xx = _mm_add_epi32(xx, yy); // (x1,y1) (x1,y2) (x2,y1) (x2,y2)

                __m128i x1x1 = _mm_shuffle_epi32(xx, 0x50); // (x1,y1) (x1,y2)

                __m128i x2x2 = _mm_shuffle_epi32(xx, 0xfa); // (x2,y1) (x2,y2)

使用set函数将需要的数据填充到__m128Intel中
mul函数进行乘法运算，两个32位的整型相乘的结果是一个64位整型。
由于计算的是像素的偏移量，使用32位整型也就足够了，使用shffule对__m128i中的数据进行重新排列，使用unpack函数再重新组合，将数据组合为需要的结构。
_MM_SHUFFLE是一个宏，能够方便的生成shuffle中所需要的立即数。例如

_mm_shuffle_epi32(yy,_MM_SHUFFLE(3,1,2,0);

将yy中存放的第2和第3个32位整数交换顺序。

3.2 数据类型的转换

SSE汇编指令和其Intrinsic函数之间基本存在这一一对应的关系，有了汇编的实现再改为Intrinsic是挺简单的，再在这罗列代码也乜嘢什么意义了。这里就记录下使用的过程中遇到的最大的问题：数据类型之间的转换。

做图像处理，由于像素通道值是8位的无符号整数，而与其运算的往往又是浮点数，这就需要将8位无符号整数转换为浮点数；运算完毕后，得到的结果又要写回图像通道，就要是8位无符号整数，还要涉及到超出8位的截断。开始不注意时吃了大亏....

类型转换主要以下几种：

浮点数和整数的转换及32位浮点数和64位浮点数之间的转换。这种转换简单直接，只需要调用相应的函数指令即可。
有符号整数的高位扩展将8位、16位、32位有符号整数扩展为16位、32位、64位。
有符号整数的截断将16位、32位、64位有符号压缩
无符号整数到有符号整数的扩展

在Intrinsic函数中上述类型转换的格式

_mm_cvtepixx_epixx （xx是位数8/16/32/64）这是有符号整数之间的转换
_mm_cvtepixx_ps / _mm_cvtepixx_pd 整数到单精度/双精度浮点数之间的转换
_mm_cvtepuxx_epixx 无符号整数向有符号整数的扩展，采用高位0扩展的方式，这些函数是对无符号高位0扩展变成相应位数的有符号整数。没有32位无符号整数转换为16位有符号整数这样的操作。
_mm_cvtepuxx_ps / _mm_cvtepuxx_pd 无符号整数转换为单精度/双精度浮点数。

上面的数据转换还少了一种，整数的饱和转换。什么是饱和转换呢，超过的最大值的以最大值来计算，例如8位无符号整数最大值为255，则转换为8位无符号时超过255的值视为255。

整数的饱和转换有两种：

有符号之间的 SSE的Intrinsic函数提供了两种

__m128i _mm_packs_epi32(__m128i a, __m128i b)

__m128i _mm_packs_epi16(__m128i a , __m128i b)

用于将16/32位的有符号整数饱和转换为8/16位有符号整数。

有符号到无符号之间的

__m128i _mm_packus_epi32(__m128i a, __m128i b)

__m128i _mm_packus_epi16(__m128i a , __m128i b)

用于将16/32位的有符号整数饱和转换为8/16位无符号整数

4. SSE汇编指令和Intrinsic函数的对比

这里只是做了一个粗略的对比，毕竟还只是个初学者。先说结果吧，在Debug下使用纯汇编的SSE代码会快不少，应该是由于没有编译器的优化，汇编代码的效率还是有很大的优势的。但是在Release下面，前面也有提到过优化器内置了Intrinsic函数的行为信息，能够对Intrinsic函数提供很强大的优化，两者没有什么差别。PS:应该是由于选用数据的问题，普通的C++代码，SSE汇编代码以及Intrinsic函数三者在Release下的速度相差无几，编译器本身的优化功能是很强大的。

4.1 Intrinsic 函数进行多次内存读写操作

在对比时发现使用Intrinsic函数另一个问题，就是数据的存取。使用SSE汇编时，可以将中间的计算结果保存到xmm寄存器中，在使用的时候直接取出即可。Intrinsic函数不能操作xmm寄存器，也就不能如此操作，它需要将每次的计算结果写回内存中，使用的时候再次读取到xmm寄存器中。

yy = _mm_mul_epi32(yy, wwidth);

上述代码是进行32位有符号整数乘法运算，计算的结果保存在yy中，反汇编后其对应的汇编代码：

000B0428  movaps      xmm0,xmmword ptr [ebp-1B0h]

000B042F  pmuldq      xmm0,xmmword ptr [ebp-190h]

000B0438  movaps      xmmword ptr [ebp-7A0h],xmm0

000B043F  movaps      xmm0,xmmword ptr [ebp-7A0h]

000B0446  movaps      xmmword ptr [ebp-1B0h],xmm0

上述汇编代码中有多次的movaps操作。而上述操作在使用汇编时只需一条指令

pmuludq xmm0, xmm1;

在使用Intrinsic函数时，每一个函数至少要进行一次内存的读取，将操作数从内存读入到xmm寄存器；一次内存的写操作，将计算结果从xmm寄存器写回内存，也就是保存到变量中去。由此可见，在只有很简单的计算中（例如：同时进行4个32位浮点数的乘法运算）和使用SSE汇编指令不会有很大的差别，但是如果逻辑稍微复杂些或者调用的Intrinsic函数较多，就会有很多的内存读写操作，这在效率上还是有一部分损失的。

4.2 简单运算的Intrinsic和SSE指令的对比

一个比较极端的例子，未经过优化的C++代码如下：

    _MM_ALIGN16 float a[] = { 1.0f,2.0f,3.0f,4.0f };

    _MM_ALIGN16 float b[] = { 5.0f,6.0f,7.0f,8.0f };

    const int count = 1000000000;

    float c[4] = { 0,0,0,0 };

    cout << "Normal Time(ms):";

    double tStart = static_cast<double>(clock());

    for (int i = 0; i < count; i++)

        for (int j = 0; j < 4; j++)

            c[j] = a[j] + b[j];

    double tEnd = static_cast<double>(clock());

对两个有4个单精度浮点数的数组做多次加法运算，并且这种加法是重复进行，进行1次和进行1000次的结果是相同的。使用SSE汇编指令的代码如下：

    for(int i = 0; i < count; i ++)

        _asm

        {

            movaps xmm0, [a];

            movaps xmm1, [b];

            addps xmm0, xmm1;

        }

使用Intrinsic函数的代码：

    __m128 a1, b2;

    __m128 c1;

    for (int i = 0; i < count; i++)

    {

        a1 = _mm_load_ps(a);

        b2 = _mm_load_ps(b);

        c1 = _mm_add_ps(a1, b2);

    }

在Debug下的运行

SSE指令集学习：Compiler Intrinsic

这个结果应该在意料之中的，SSE汇编指令 < Intrinsic函数 < C++。SSE汇编指令比Intrinsic函数快了近1/3，下面是Intrinsic函数的反汇编代码

        a1 = _mm_load_ps(a);

00FB2570  movaps      xmm0,xmmword ptr [a]

00FB2574  movaps      xmmword ptr [ebp-220h],xmm0

00FB257B  movaps      xmm0,xmmword ptr [ebp-220h]

00FB2582  movaps      xmmword ptr [a1],xmm0

        b2 = _mm_load_ps(b);

00FB2586  movaps      xmm0,xmmword ptr [b]

00FB258A  movaps      xmmword ptr [ebp-240h],xmm0

00FB2591  movaps      xmm0,xmmword ptr [ebp-240h]

00FB2598  movaps      xmmword ptr [b2],xmm0

        c1 = _mm_add_ps(a1, b2);

00FB259F  movaps      xmm0,xmmword ptr [a1]

00FB25A3  addps       xmm0,xmmword ptr [b2]

00FB25AA  movaps      xmmword ptr [ebp-260h],xmm0

00FB25B1  movaps      xmm0,xmmword ptr [ebp-260h]

00FB25B8  movaps      xmmword ptr [c1],xmm0

可以看到共有12个movaps指令和1个addps指令。而SSE的汇编代码只有2个movaps指令和1个addps指令，可见其时间的差别应该主要是由于Intrinsic的内存读写造成的。

Debug下面的结果是没有出意料之外的，那么Release下的结果则真是出乎意料的

SSE指令集学习：Compiler Intrinsic

使用SSE汇编的最慢，C++实现都比起快很好，可见编译器的优化还是非常给力的。而Intrinsic的时间则是0，是怎么回事。查看反汇编的代码发现，那个加法只执行了一次，而不是执行了很多次。应该是优化器根据Intrinsic行为做了预测，后面的多次循环都是无意义的（一同学告诉我的，他是做编译器生成代码优化的，做的是分支预测，不过也是在实现中，不知道他说的对不对）。

5. 总结

学习SSE指令将近两个周了，做了两篇学习笔记，差不多也算入门了吧。这段时间的学习总结如下：

SSE指令集正如其名字 Streaming SIMD Extensions，最强大的是其能够在一条指令并行的对多个操作数进行相同的运算，根据操作数长度和寄存器长度的不同能够同时运算的个数也不同。以32位有符号整数为例，128位寄存器（也是最常用的SSE指令集的寄存器）能够同时运算4个；AVX指令集的256位寄存器能够同时运算8个；AVX-512 的512位寄存器能够同时运算16个。
在使用SSE指令时要特别主要操作数的类型，整型则要区分是有符号还是无符号；浮点数则注意其精度是单精度还是双精度。另外就是操作数的长度。即使是同样的128位二进制串，根据其类型和长度也有多种不同的解释。
前面多次提到，编译器的优化能力是很强的，不要刻意的使用SSE指令优化。而在要必须使用SSE的时候，要谨记SSE的强大之处是其并行能力。

又是一个阳光明媚的周五下午，说好的今天要下大暴雨呢，早晨都没敢骑自行车来上班，回去的得挤公交啊。话说，为啥不说坐公交或者乘公交，而要挤公交呢。

秒客网