SSE入门

此文主要内容来自这篇文章，本文翻译只求能理解，不求逐句翻译。

正文：

我们将在本文中介绍如何在C++/C中使用SSE指令。我的目的不是用SSE写尽可能快的程序，而是试图讲明白它的使用方法。

什么是SSE？

 SSE的全称是 Sreaming SIMD Extensions， 它是一组CPU指令，用于像信号处理、科学计算或者3D图形计算一样的应用。

SIMD 也是几个单词的首写字母组成的： Single Instruction, Multiple Data。 一个指令发出后，同一时刻被放到不同的数据上执行，

这个指令就是SIMD指令。

SSE在1999年首次出现在Pentium 3上。在过去的那段时光里，一些更加精致的功能被加入了这套指令集，

8个128-bit的寄存器被加入了CPU ：xmm0到xmm7.

最初的时候，这些寄存器智能用来做单精度浮点数计算（float），

自从SSE2开始，这些寄存器可以被用来计算任何基本数据类型的数据了。

给定一个标准的32位机器，我们可以并行的存储和计算了：

-- 2 double

-- 2 long

-- 4 float 

-- 4 int

-- 8 short

-- 16 char

注意：整数类型可以是有符号也可以是无符号的，不过有时候你可能要用不同的指令来处理他们。

比如，你想计算两个整数数组的和，你可以一次计算四个加法。

简单的例子

开始学习SSE并不是很简单的，幸好MSDN的文档写的很好（原作的链接打不开了，新连接是我加上去的）！

如果你看一下那个算术操作的列表，一会注意到总有相应的汇编指令与其对应。

另外，一些操作是符合操作，例如那些set操作。

在C++中用SSE真真是一个low-level的操作：我们将直接通过类型

__m128（4个float）、__m128d（2个double）、__m128i(int、short、char)直接控制那些128-bit的寄存器。

不过，为了使用SSE我们不必去声明__m128类型的数组：比如，你想计算一个浮点型数组中每个元素的平方根，

有可以直接将你的数组强制类型转换成__m128*，然后使用SSE的命令操作这个数组。

不管怎样，我们还是要多做一点事情，才能用SSE。大多数SSE操作需要我们的数据是16-bytes对齐的，

这里我们将使用另一个GCC的 Variable attributes。 我们使用对齐属性：

aligned (alignment)
This attribute specifies a minimum alignment for the variable or structure field, measured in bytes.

下面是一个简单的代码，展示如何用SSE的_mm_sqrt_ps()函数一次性计算四个浮点数的平方根：

float a[] __attribute__ ((aligned (16))) = { 41982.,  81.5091, 3.14, 42.666 };
__m128* ptr = (__m128*)a;
__m128 t = _mm_sqrt_ps(*ptr);

如果用GCC编译器，在编译选项中加入-S选项，产生的汇编代码中相应的汇编语句是SQRTPS，

而且这个指令使用的寄存器就是SSE的寄存器：

sqrtps  %xmm0, %xmm0

不要忘了加上那个头文件：

#include <emmintrin.h>

第一个评测

在前面的代码中，我们同时计算了4个float的平方根，但是我们没有记录结果。为了记录结果，我们使用_mm_store_ps

在下面的代码中，我们计算一个非常大的float数组的平方根。（作者使用的是他之前写的计时函数，这里我直接贴出来了）

来对程序的标准版本和SSE版计时。

class Timer
{
public:
  Timer(const std::string& name)
    : name_ (name),
      start_ (std::clock())
    {
    }
  ~Timer()
    {
      double elapsed = (double(std::clock() - start_) / double(CLOCKS_PER_SEC));
      std::cout << name_ << ": " << int(elapsed * 1000) << "ms" << std::endl;
    }
private:
  std::string name_;
  std::clock_t start_;
};
#define TIMER(name) Timer timer__(name);

void normal(float* a, int N)
{
  for (int i = 0; i < N; ++i)a[i] = sqrt(a[i]);
}
void sse(float* a, int N)
{// We assume N % 4 == 0.
  int nb_iters = N / 4;
  __m128* ptr = (__m128*)a;
  for (int i = 0; i < nb_iters; ++i, ++ptr, a += 4)
    _mm_store_ps(a, _mm_sqrt_ps(*ptr));
}
int main(int argc, char** argv)
{
  if (argc != 2)
    return 1;
  int N = atoi(argv[1]);
  float* a;
  posix_memalign((void**)&a, 16,  N * sizeof(float));
  for (int i = 0; i < N; ++i)a[i] = 3141592.65358;
  {
    TIMER("normal");
    normal(a, N);
  }
  for (int i = 0; i < N; ++i)a[i] = 3141592.65358;
  {
    TIMER("SSE");
    sse(a, N);
  }
}

在上面的SSE的函数代码中，我们用了两个指针指向的是同一个地址，但是使用的类型不同，这当然不是必须的，只是用来避免强制类型转换。

有趣的是，我们必须对__m128每次递增1（128bits），对应的，我们也必须按四递增float指针（就是相当于一次算四个float）。

另一个有趣的函数式 posix_memalign，而不是用align attribute，这个函数是在堆上申请对齐内存，而gcc attribute是在栈上申请内存。

评测环境： llvm-g++ 4.2 (flags: -O3 -msse2)  在Intel Core2 Duo P7350(2GHz)上测试。

$ ./sqrt 64000000
normal: 392ms
SSE: 145ms

真的相当快哈！

第二个评测

怎么将两个char数据加在一起呢：

void sse(char* a, const char* b, int N)
{
  int nb_iters = N / 16;
  __m128i* l = (__m128i*)a;
  __m128i* r = (__m128i*)b;

  for (int i = 0; i < nb_iters; ++i, ++l, ++r)
    _mm_store_si128(l, _mm_add_epi8(*l, *r));
}

评测结果：

$ ./add 64000000
normal: 98ms
SSE: 42ms

性能分析

你可能会问，为什么我们没有得到四倍的加速呢？我们可是一次计算4个float数据啊，怎么我们只有2倍的加速呢？？

答案是，你的编译器很聪明，它已经做了很多优化了，特别是在加入O3选项后。

实际上，如果你看下normal产生的汇编代码，里面的sqrt和add函数都已经被你的编译器给用SSE指令优化了。

编译器检测到循环模式适合SSE，就把这个代码使用SSE指令实现了。

不管怎样，直接使用SSE函数还是可以获得一些性能的。

取决于你的编译器版本，对于这种简单的循环，你发现执行时间上没有差异也是可能的。

但是，这里必须要再提一次的是，我们是介绍怎么用SSE，不是只为了性能~

来源：http://blog.csdn.net/bendanban/article/details/42299863

          http://blog.csdn.net/gengshenghong/article/details/7008704