Linux上编译SIMD指令程序

Linux上编译SIMD指令程序

 

(1) g++编译时加入 __MMX__,  __SSE__ predefinitions;

(2) gcc的链接时-march=pentium4 -mmmx -msse -m3dnow

(3) 包括头文件： xintrinsic.h

如果用Eclipse开发时注意设置的地方。

 

IA-32 Intel体系结构的指令主要分为以下几类：

• 通用
• x87 FPU
• MMX技术
• SSE/SSE2/SSE3扩展

MMX/SSE类扩展引入了SIMD（单指令多数据）的执行模式，可用于加速多媒体应用。 下面简要介绍一下这些指令的执行环境和特征。

• 8个32位通用寄存器可为各个SIMD扩展所使用；
• MMX：8个64位MMX寄存器（mm0 - mm7），也可为各SSE扩展所使用；
  • 数据为整数，最多支持两个32位
  • 运算中没有寄存器能够进行溢出指示
• SSE：8个128位xmm寄存器，MXSCR寄存器，EFLAGS寄存器
  • 支持单精度浮点
  • MXSCR含有rounding, overflow标志
  • 支持64位SIMD整数
• SSE2：执行环境同sse
  • 双精度浮点
  • 128位整数
  • 双—单精度转换
• SSE3：与Inte Prescott处理器一同发布不久，共13条指令
  • 主要增强了视频解码、3D图形优化和超线程性能

MMX技术出现最早，目前几乎所有的X86处理器都提供支持，包括嵌入式X86， 所以下面的讨论主要基于MMX，但方法完全适用于SSEn， 包括像AMD的3D Now等其它SIMD扩展。

MMX指令又分为以下几种：

• 数据传送：movd, movq
• 数据转换：packsswb, packssdw, packuswb, punpckhbw, punpckhwd, punpckhdq, punpcklbw, punpcklwd, punpckldq
• 并 行算术：paddb, paddw, paddd, paddsb, paddsw, paddusb, paddusw, psubb, psubw, psubd, psubsb, psubsw, psubusb, psubusb, psubusw, pmulhw, pmullw, pmaddwd
• 并行比较：pcmpeqb, pcmpeqw, pcmpeqd, pcmpgtb, pcmpgtw, pcmpgtd
• 并行逻辑：pand, pandn, por, pxor
• 移位与旋转：psllw, pslld, psllq, psrlw, psrld, psrlq, psraw, psrad
• 状态管理：emms

这些指令除了需要注意功能外，还需要注意处理的数据类型。以上内容为背景介绍，细节请参考手册。

性能优化 ...Performance Optimization

当 使用C/C++完成了一个嵌入式应用的所有功能，性能问题常摆在面前， 这时可以使用profile工具(如gprof)找出产生瓶颈的函数， 将这些函数使用汇编彻底重写， 例如MPEG-4编解码器xvid项目 [4]就使用了这种方法， 而且针对不同处理器／指令集分别给出了不同的优化， 正是如此该项目无论功能、还是性能均为一流， 显然这是深度优化的目标所在。

在使用流水线、VLIW以及SIMD的 体系结构（比如某些DSP）上， 整个函数的手工优化可以带来几倍到几十倍的性能提升。 不过，性能允许，对于函数内关键部分使用一些特定的实现， 既突出重点提高性能，又可以尽多地利用C/C++的高级特征， 相对缩短开发周期。 下面给出使用GCC时，应用MMX指令的几种混合编程方法：

• Intel C/C++ 编译器intrinsics
• GCC builtin操作
• 嵌入汇编asm construct

Intel C/C++ 编译器intrinsics ...Intel C/C++ Compiler Intrinsics

查看IA-32 Intel指令集手册时， 部分指令的解释中会有一项“Intel C/C++ Compiler Intrinsic Equivalent”， 会指出该指令对等的intrinsic。 intrinsic在C/C++程序中的语法是以函数形式出现， 编译时可以直接翻译为一条MMX指令（复合情况会生成最直接的几条）， 换言之，如果不使用intrinsic，可能需要多条C/C++语句完成， 而编译器却并不能保证将这几条语句能够生成这条最高效的MMX指令。 并不是每条MMX指令都有对等的intrinsic， 手册的附录中列出了所有的， 它们分为简单型（simple）和复合型（composite）两种， 每个简单型的就是对应一条指令，而复合型则对应多条指令。

GCC支持Intel C/C++ Compiler Intrinsics。用法如下示例：

#include <stdio.h> #include <xmmintrin.h> /*一定需要包括此头文件*/ /*gcc -Wall -march=pentium4 -mmmx -o ins mmx_ins.c*/ int main(int argc,char *argv[]) { /*使用MMX做以下向量的点积*/ short in1[] = {1, 2, 3, 4}; short in2[] = {2, 3, 4, 5}; int out1; int out2; __m64 m1; /* MMX支持64位整数的mm寄存器 */ __m64 m2; /* MMX操作需要使用mm寄存器 */ __m128 m128; /* for SSEn only*/ /*每次往mm寄存器装入两个short型的数，注意是两个*/ m1 = _mm_cvtsi32_si64(((int*)in1)[0]); m2 = _mm_cvtsi32_si64(((int*)in2)[0]); /*一条指令进行4个16位整数的乘加*/ /*生成两个32位整数*/ m2 = _mm_madd_pi16(m1, m2); /*将低32位整数放入通用寄存器*/ out1 = _mm_cvtsi64_si32(m2); /*将高32位整数右移后，放入通用寄存器*/ m2 = _mm_slli_pi32(m2, 32); out2 = _mm_cvtsi64_si32(m2); /*清除MMX状态*/ _mm_empty(); /*将两个32位数相加，结果为8*/ out1 += out2; printf("a: %d"n", out1); return(0); }

几点说明：

• 即使你不是P4平台，编译时也请使用以下选项，
  /*gcc -Wall -march=pentium4 -mmmx -o ins mmx_ins.c*/
  否则，会出现如下类似信息：
  ...xmmintrin.h:34:3: #error "SSE instruction set not enabled"
• 最 终结果实际并没有求得四对乘积的和，只是前两对的， instrinsic _mm_cvtsi32_si64只向mm寄存器放入了低32位，高32位为零， 但mmx有指令movq可以做到64位的数据传送，intrinsic没有对应， 这也说明并不是所有的指令有等价的intrinsic。
• 当计算的向量为两对0x8000, 0x8000时，即(-2^15)*(-2^15) + (-2^15)*(-2^15) ， 结果应该为 2^31，但计算出来的值是 -2^31， 因为发生了溢出，可程序无从知道。 这是使用MMX时，应特别注意的，计算溢出没有任何标志位指示，一个极大的值变为极小，SSE对此做了改善。
• 程序不再使用MMX之时，注意使用emms指令清除MMX状态。

使用built-in操作 ...GCC built-in Operation

什么是built-in操作？就是对待MMX操作数，就如int, float等基本数据类型一般， 有相应定义的操作，如加(+)、减(-)，或者数据类型之间的转换。 详细内容参考GNU GCC Manual [5] Extensions to the C Language Family4#4Built-in Functions4#4 X86 Built-in Functions一节。

一些MMX指令有其相应的built-in操作， 下面一段代码为例：

#include <stdio.h> /*无需特别的头文件，built-in嘛*/ /* gcc -Wall -o bins builtinmmx.c*/ /*定义了一个vector数据类型，hi表示16位，4表示4个*/ typedef int v4hi __attribute__ ((mode(V4HI))); /*定义了2个32位的vector类型，si表示32位*/ typedef int v2si __attribute__ ((mode(V2SI))); int main(int argc,char *argv[]) { short pa[4] = {0x8000, 0x8000, 1, -1}; short pb[4] = {0x8000, 0x7FFF, -1, -2}; v4hi va, vb; v4hi vsum; va = ((v4hi*)pa)[0]; vb = ((v4hi*)pb)[0]; /* 4个16位进行饱和加 */ //vsum = __builtin_ia32_paddsw(va, vb); /* 4个16位还可以直接进行加法，但不同于两个long long相加 */ vsum = va + vb; /*vector的输出还需要强制转换为long long*/ printf("...with MMX instructions...to compute vec_add: %llx "n", (long long)vsum); //结果1：0xfffd0000ffff8000 //结果2：0xfffd0000ffff0000 return(0); }

几点说明：

• 是的，这里built-in vector及其操作，随着GCC的发展正在加强。如果需要使用以上范例，应使用GCC 3.4以上版本；
• 使用builtin函数时，与intrinsic相似；但本质却是不同，这里两个向量使用‘+’操作就说明了vector也如其它数据类型一样，编译器直接支持，只不过这里的加法就是指四个单元数分别相加，低位单元的进位不会影响相邻高位单元的数据；
• vector还可以强制转换为通用数据。

回页首

嵌入汇编 ...Inline asm

GCC一开始就允许C代码中嵌入asm指令，并不只是针对MMX指令， 不过对于MMX技术，显然也是一个很好的利用方法， 详细的语法请参考GNU GCC手册 [5]， 或者GCC: The Complete Reference [6]''Inline Assembly''一节。 如下是一个点积的例子：

#include <stdio.h> /** GCC -o ins inlinemmx.c **/ int main(int argc,char *argv[]) { int i; int result; short a[] = {1, 2, 3, 4, 5, 6, 7, 8}; short b[] = {1, 1, 1, 1, 1, 1, 1, 1}; printf("...with MMX instructions..."n"); /*首先，将点积合累积寄存器清零，实际缺省就为0？*/ asm("pandn %%mm5,%%mm5;"::); /*读入a, b，每四对数相乘后分两组相加，形成两组和*/ /*这里的循环控制是C在做*/ for(i = 0; i < sizeof(a)/sizeof(short); i += 4){ asm("movq %0,%%mm0;" movq %1,%%mm1;" pmaddwd %%mm1,%%mm0;" paddd %%mm0,%%mm5; #相乘后相加 " : : "m" (a[i]), "m" (b[i])); } /*将两组和分离，并相加*/ asm("movq %%mm5, %%mm0;" psrlq $32,%%mm5;" paddd %%mm0, %%mm5;" movd %%mm5,%0;" emms" :"=r" (result) :); printf("result: 0x%x"n", result); //这里结果为0x24 return(0); }

几点说明：

• 这里是典型的在函数中C和汇编混合编程；
• 注意汇编指令中操作数的顺序；
• 这里可以直接使用movq等没有intrinsics/built-in对应的指令；
• 注意在asm指令序列中间不要加杂注释，可能导致生成的代码不正确。

MMX实用一例：合成滤波器 ...Synthesis Filter in X86 SIMD INSTRUCTIONS

下面是合成滤波器(Synthesis Filter)的一个优化过程， 合成滤波器在语音编解码中有广泛应用， 运行时也占用了整个算法中较高比例的时间。

      for (i = 0; i < lg; i++)


{


s = L_mult(x[i], a[0]);/*L_mult是相乘后左移*/


for (j = 1; j <= M; j++){/*M这里固定为10*/


s = L_msu(s, a[j], yy[-j]);/*L_msu是乘减后左移操作*/


}





s = L_shl(s, 3); /*左移三位*/


*yy++ = g729round(s);


}


#endif

 

上面的代码，因为内存循环为10，可以考虑展开，并统一操作为乘加指令。

/*为了使用乘加操作，需要调整10个系数的顺序*/ for(i = 0; i < M; i++) ta[i] = -a[M - i]; ta[11] = 0; ta[10] = a[0]; for (i = 0; i < lg; i++){ *yy = x[i]; yy[1] = 0; s = L_mac(s, ta[11], yy[1]); s = L_mac(s, ta[10], yy[0]); s = L_mac(s, ta[9], yy[-1]); s = L_mac(s, ta[8], yy[-2]); s = L_mac(s, ta[7], yy[-3]); s = L_mac(s, ta[6], yy[-4]); s = L_mac(s, ta[5], yy[-5]); s = L_mac(s, ta[4], yy[-6]); s = L_mac(s, ta[3], yy[-7]); s = L_mac(s, ta[2], yy[-8]); s = L_mac(s, ta[1], yy[-9]); s = L_mac(s, ta[0], yy[-10]); s = L_shl(s, 3); *yy++ = g729round(s); }

以上循环内核正好可以将MMX的8个寄存器全部利用。

/*为了使用乘加操作，需要调整10个系数的顺序*/ for(i = 0; i < M; i++) ta[i] = -a[M - i]; ta[11] = 0; ta[10] = a[0]; /*11个系数分别放入3个MMX寄存器，0作填充*/ asm("movq %0,%%mm0;" movq %1,%%mm1;" movq %2,%%mm2"" :" : "m" (ta[0]), "m" (ta[4]), "m"(ta[8])); /*利用MMX技术进行滤波器核心操作*/ for (i = 0; i < lg; i++){ *yy = x[i]; yy[1] = 0; asm("pandn %%mm6,%%mm6;" movq %1,%%mm3;" movq %2,%%mm4;" movq %3,%%mm5;" pmaddwd %%mm0,%%mm3;" pmaddwd %%mm1,%%mm4;" pmaddwd %%mm2,%%mm5;" paddd %%mm3, %%mm6;" paddd %%mm4, %%mm6;" paddd %%mm5, %%mm6;" movq %%mm6, %%mm7;" psrlq $32, %%mm6;" paddd %%mm7, %%mm6;" movd %%mm6,%0;" emms" : :"r"(s), "m" (yy[-10]), "m" (yy[-6]), "m"(yy[-2])); /*因为指令结果饱和属性的限制，s还没有左移，所以下面多做一位饱和左移*/ s = L_shl(s, 4); *yy++ = g729round(s); }

几点说明：

• 注意：以上嵌入的汇编代码输出结果s放在了输入处，属于实践中的个案；
• MMX没有乘左移之类的DSP指令，甚至还没有加饱和之类的操作，SSE中有一定增强；
• 以上操作，理论上存在溢出可能，所以最后使用原有的饱和左移操作，减少了一定风险；
• 上面的部分代码操作显然允许并行，这在VLIW系统中十分有用；
• 这已经形成了该滤波器全面优化的核心。

总结 ...Conclusion

如果愿意尽多地利用SIMD技术，可能需要更多地使用汇编级的编码， 不过也有一些高级语言和汇编的混合编程技术能够帮助你， 它们有的提高性能更大一些， 有的形式上更优雅些，本质上效率也不错， 都不失好的方法，建议尝试。

正是如此，一方面CPU上支持越来越多的SIMD指令集扩展， 另一方面GCC也正在加紧支持这些扩展的易用，对，正在， 碰到一些问题，先想办法绕过去， 这里使用GCC 3.4.1，根据经验效果还是不错的。

关于文档

GCC中SIMD指令的应用方法

This document was generated using the LaTeX2HTML translator Version 2002 (1.62)

Copyright ® 1993, 1994, 1995, 1996, Nikos Drakos, Computer Based Learning Unit, University of Leeds.
Copyright ®, 1998, 1999, Ross Moore, Mathematics Department, Macquarie University, Sydney.

The command line arguments were: latex2html -iso_language CN -html_version 4.0,unicode -address '®2004 CoreUp Designs' -local_icons -split 0 -nonavigation gccsimd

The translation was initiated by on 2004-12-13