我正在尝试使用 XMM 寄存器使用 SSE2 指令在汇编语言中将 4 个数字添加到其他 4 个数字中。我确实成功了，但我遇到了一些我不明白的事情。如果我以这种方式添加：
movdqu xmm0, oword [var1]
movdqu xmm1, oword [var2]
paddd xmm0, xmm1
movdqu oword [var1], xmm0
它工作得很好。
但如果我这样尝试：
movdqu xmm0, oword [var1]
paddd xmm0, oword [var2]
movdqu oword [var1], xmm0
它给了我一个分段错误。
第二种方法有什么问题？我正在使用 Nasm、Intel Atom N270、Linux Mint 12 32 位
我正在学习如何在视频应用程序中使用英特尔 MMX 和 SSE 指令。我有一个 8 字节的字，我想将所有 8 个字节相加并产生一个整数作为结果。直接的方法是连续 7 次移动和添加，但这很慢。这样做的最快方法是什么？是否有针对此的 MMX 或 SSE 指令？
这是这样做的缓慢方法
unsigned long PackedWord = whatever....
int byte1 = 0xff & (PackedWord);
int byte2 = 0xff & (PackedWord >> 8);
int byte3 = 0xff & (PackedWord >> 16);
int byte4 = 0xff & (PackedWord >> 24);
int byte5 = 0xff & (PackedWord >> 32);
int byte6 = 0xff & (PackedWord >> 40);
int byte7 = 0xff & (PackedWord >> 48);
int byte8 = 0xff & …我只是想检查优化一些基本例程的最佳方法。在这种情况下，我尝试了将 2 个浮点向量相乘的非常简单的示例：
void Mul(float *src1, float *src2, float *dst)
{
for (int i=0; i<cnt; i++) dst[i] = src1[i] * src2[i];
};
普通的 C 实现非常慢。我使用 AVX 做了一些外部 ASM，也尝试使用内在函数。这些是测试结果（时间越小越好）：
ASM: 0.110
IPP: 0.125
Intrinsics: 0.18
Plain C++: 4.0
（使用 MSVC 2013、SSE2 编译，尝试过 Intel 编译器，结果几乎相同）
正如您所看到的，我的 ASM 代码甚至击败了 Intel Performance Primitives（可能是因为我做了很多分支以确保我可以使用 AVX 对齐指令）。但我个人更喜欢使用内在方法，它更易于管理，我认为编译器应该在优化所有分支和内容方面做得最好（我的 ASM 代码在这方面很糟糕，但速度更快）。所以这是使用内在函数的代码：
int i;
for (i=0; (MINTEGER)(dst + i) % 32 != 0 && i < cnt; i++) dst[i] = src1[i] * src2[i];
if ((MINTEGER)(src1 + i) % 32 …我想使用 SSE 内在函数翻译此代码。
for (uint32_t i = 0; i < length; i += 4, src += 4, dest += 4)
{
uint32_t value = *(uint32_t*)src;
*(uint32_t*)dest = ((value >> 16) & 0xFFFF) | (value << 16);
}
有没有人知道执行 16 位字交换的内在因素？
很高兴 gcc 编译器 4.8 带有带有 -Ofast 选项的 AVX 优化。但是，我发现了一个有趣但愚蠢的错误，它增加了不必要的额外计算。也许我错了，所以有人可以给我一个解释吗？
原来的C++源代码如下：
#define N 1000007
float a[N],b[N],c[N],d[N],e[N];
int main(int argc, char *argv[]){
cout << a << ' ' << b << ' ' << c << endl;
for(int x=0; x<N; ++x){
c[x] = 1/sqrt((a[x]+b[x]-c[x])*d[x]/e[x]);
}
return 0;
}
代码在 Ubuntu 14.04.3 x86_64 中使用 g++ 4.8.4 编译： g++ -mavx avx.cpp -masm=intel -c -g -Wa,-ahl=avx.asm -Ofast
汇编源代码如下：
90 .LVL10:
91 006b C5FC2825 vmovaps ymm4, YMMWORD PTR .LC0[rip]
91 00000000
92 0073 31C0 xor eax, …我对 MOVSD 汇编指令有些困惑。我写了一些计算矩阵乘法的数字代码，只是使用没有 SSE 内在函数的普通 C 代码。我什至不包括用于编译的 SSE2 内在函数的头文件。但是当我检查汇编器输出时，我看到：
1）使用128位向量寄存器XMM；2) 调用SSE2 指令MOVSD。
我知道 MOVSD 本质上是在单双精度浮点上运行的。它只使用 XMM 寄存器的低 64 位并将高 64 位设置为 0。但我只是不明白两件事：
1) 我从来没有给编译器任何使用 SSE2 的提示。另外，我使用的是 GCC 而不是英特尔编译器。据我所知，intel 编译器会自动寻找向量化的机会，但 GCC 不会。那么 GCC 怎么知道使用 MOVSD 的呢？？或者，这个 x86 指令早在 SSE 指令集之前就已经存在了，而 SSE2 中的 _mm_load_sd() 内在函数只是为使用 XMM 寄存器进行标量计算提供向后兼容性？
2）为什么编译器不使用其他浮点寄存器，要么是80位浮点栈，要么是64位浮点寄存器？？为什么必须使用 XMM 寄存器（通过设置高位 64 位 0 并实质上浪费该存储）？XMM 是否提供更快的访问？
顺便说一下，我还有一个关于 SSE2 的问题。我只是看不出 _mm_store_sd() 和 _mm_storel_sd() 之间的区别。两者都将较低的 64 位值存储到一个地址。有什么不同？性能差异？？对齐方式不同？？
谢谢你。
更新 1：
OKAY，很明显，当我第一次问这个问题时，我缺乏关于 CPU 如何管理浮点运算的一些基本知识。所以专家们往往认为我的问题是无稽之谈。由于我什至没有包含最短的示例 C 代码，因此人们可能也会认为这个问题含糊不清。在这里，我将提供一个评论作为答案，希望对任何不清楚现代 CPU 上的浮点运算的人有用。
我正在阅读 Apress 的现代 x86 汇编语言书籍。对于编程 64 位 SSE 示例，作者将align 16放在代码中的特定点上。例如
.code
ImageUint8ToFloat_ proc frame
_CreateFrame U2F_,0,64 ; helper macros to create prolog
_SaveXmmRegs xmm10,xmm11,xmm12,xmm13 ; helper macros to create prolog
_EndProlog ; helper macros to create prolog
...
shrd r8d,
pxor xmm5,xmm5
align 16 ; Why this is here ?
@@:
movdqa xmm0,xmmword ptr [rdx]
movdqa xmm10,xmmword ptr [rdx+16]
movdqa xmm2,xmm0
punpcklbw xmm0,xmm5
punpckhbw xmm2,xmm5
movdqa xmm1,xmm0
movdqa xmm3,xmm2
...
作者解释说有必要放置align 16，因为我们使用的是 SSE，以便指令本身对齐。没关系。我的问题是为什么作者选择将align 16放在该特定位置。作为程序员，我应该如何决定 …
我有一个功能可以将 8 位图像缩小两倍。我之前已经用 SSE 优化了 rgb32 案例。现在我想对 gray8 案例做同样的事情。
在核心，有一个函数取两行像素数据，其工作方式如下：
/**
* Calculates the average of two rows of gray8 pixels by averaging four pixels.
*/
void average2Rows(const uint8_t* row1, const uint8_t* row2, uint8_t* dst, int size)
{
for (int i = 0; i < size - 1; i += 2)
*(dst++) = ((row1[i]+row1[i+1]+row2[i]+row2[i+1])/4)&0xFF;
}
现在，我想出了一个 SSE 变体，它大约快三倍，但它确实涉及很多改组，我认为可能会做得更好。有人看到这里可以优化什么吗？
/* row1: 16 8-bit values A-P
* row2: 16 8-bit values a-p
* returns 16 8-bit values (A+B+a+b)/4, (C+D+c+d)/4, ..., …__m128i以这种方式定义变量时：
__m128i a;
a.m128i_i32[0] = 65000;
我收到以下错误：
错误：请求'a'中的成员'm128i_i32'，它是非类类型'__m128i {aka __vector(2) long long int}' a.m128i_i32[0] = 65000;
我已经包含了以下头文件：
#include <x86intrin.h>
#include <emmintrin.h>
#include <smmintrin.h>
我已经用 SSSE3 完成了这个，现在我想知道这是否可以用 AVX2 完成以获得更好的性能？
我用一个零字节填充 24 位 rgb，使用来自Fast 24-bit array -> 32-bit array conversion 的代码？.
static const __m128i mask = _mm_setr_epi8(0, 1, 2, -1, 3, 4, 5, -1, 6, 7, 8, -1, 9, 10, 11, -1);
for (size_t row = 0; row < height; ++row)
{
for (size_t column = 0; column < width; column += 16)
{
const __m128i *src = reinterpret_cast<const __m128i *>(in + row * in_pitch + column + (column << 1));
__m128i *dst …