相关疑难解决方法(0)

我一直在阅读div和mul组装操作,我决定通过在C中编写一个简单的程序来实现它们:

文件分割

#include <stdlib.h>
#include <stdio.h>

int main()
{
    size_t i = 9;
    size_t j = i / 5;
    printf("%zu\n",j);
    return 0;
}

然后生成汇编语言代码:

gcc -S division.c -O0 -masm=intel

但是看生成的division.s文件,它不包含任何div操作!相反,它通过位移和魔术数字来做某种黑魔法.这是一个计算代码片段i/5:

mov     rax, QWORD PTR [rbp-16]   ; Move i (=9) to RAX
movabs  rdx, -3689348814741910323 ; Move some magic number to RDX (?)
mul     rdx                       ; Multiply 9 by magic number
mov     rax, rdx                  ; Take only the upper 64 bits of the …

浮点值除法有_mm_div_ps,整数乘法有_mm_mullo_epi16.但是有什么整数除法(16位值)？我怎么进行这种划分？

我正在寻找一些SSE / AVX建议，以优化将RGB通道与其alpha通道预乘的例程：RGB * alpha / 255（+我们保留原始的alpha通道）。

    for (int i = 0, max = width * height * 4; i < max; i+=4) {
        data[i] = static_cast<uint16_t>(data[i] * data[i+3]) / 255;
        data[i+1] = static_cast<uint16_t>(data[i+1] * data[i+3]) / 255;
        data[i+2] = static_cast<uint16_t>(data[i+2] * data[i+3]) / 255;
    }

您会在我当前的实现下面找到它，但是我认为它可能会更快，而且我正在浪费宝贵的CPU周期。我在quick-bench.com上进行了测试，结果显示出令人鼓舞的效果，但是我应该做些什么改变才能使其快速发展呢？

谢谢

--------更新09/06/2019 --------

根据@chtz和@Peter Cordes的评论，我建立了一个存储库来评估不同的解决方案，这里是结果。您认为会更好吗？

Run on (8 X 3100 MHz CPU s)
CPU Caches:
  L1 Data 32K (x4)
  L1 Instruction 32K (x4)
  L2 Unified 262K (x4)
  L3 Unified 8388K (x1) …

我有一个c ++（或类似c的）函数，在该函数下尝试进行矢量化处理。该功能是图像合成的多种变体之一，其中它采用带有色度444二次采样的Y，U或V图像平面，并将src图像合成/叠加到dst图像上（其中src图像还包含alpha透明度）。

#include <cstdint>


void composite(uint8_t *__restrict__ pSrc,  // Source plane
               uint8_t *__restrict__ pSrcA, // Source alpha plane 
               uint8_t *__restrict__ pDst,  // Destination plane
               const std::size_t nCount)    // Number of component pixels to process.
{
    for (std::size_t k = 0; k < nCount; ++k)
    {
        uint16_t w = (pSrc[k] * pSrcA[k]);
        uint16_t x = (255 - pSrcA[k]) * pDst[k];
        uint16_t y = w+x;
        uint16_t z = y / uint16_t{255};
        pDst[k] = static_cast<uint8_t>(z);
    }
}

在AVX2向量化等效项中，我正在努力了解如何有效地读取8位转换为16位，以及（在处理/合成之后）最终将16位样本转换回8位以存储回内存。在读取方面，我使用的是中间的xmm寄存器-似乎不是最好的方法。我猜想混合寄存器系列会降低性能。

我想出了（不完整）：

#include <cstdint>

#include <immintrin.h> …