Библиотека в стиле SSE Stdlib?
Обычно все, что я встречаю "в сети" в отношении SSE / MMX, оказывается математическим материалом для векторов и матраций. Тем не менее, я' Я ищу библиотеки "стандартных функций", оптимизированных для SSE, например, предоставленные Agner Fog , или некоторые из алгоритмов сканирования строк на основе SSE в GCC.
Вкратце: это будут вещи такие как memset, memcpy, strstr, memcmp BSR / BSF, то есть stdlib-esque, построенный из встроенных функций SSE
, я бы предпочел, чтобы они были для SSE1 (формально MMX2) с использованием встроенных функций, а не сборки, но и то, и другое подойдет. надеюсь, это не слишком широкий спектр.
Обновление 1
Я натолкнулся на многообещающие вещи после некоторого поиска, одна библиотека привлекла мое внимание:
- LibFreeVec : кажется, только для Mac / IBM (из-за того, что AltiVec) на основе), поэтому мало полезен (для меня), плюс я не могу найти прямую ссылку для скачивания, в нем также не указана минимально поддерживаемая версия SSE
. Я также наткнулся на статью о нескольких векторизованных строковых функциях (strlen, strstr strcmp). Однако SSE4.2 способ вне моей досягаемости (как было сказано ранее, я хотел бы придерживаться SSE1 / MMX).
Обновление 2
Пол Р побудил меня провести небольшой сравнительный анализ к сожалению, поскольку мой опыт кодирования ассемблера SSE близок к zip, я использовал чужой ( http://www.mindcontrol.org/~hplus/ ) код тестирования и добавил к нему. Все тесты (за исключением оригинала, который является VC6 SP5) были скомпилированы под VC9 SP1 с полной / индивидуальной оптимизацией и / arch: SSE on.
Первым тестом была моя домашняя машина (AMD Sempron 2200+) 512 МБ DDR 333), ограниченный SSE1 (таким образом, без векторизации с помощью MSVC memcpy):
comparing P-III SIMD copytest (blocksize 4096) to memcpy
calculated CPU speed: 1494.0 MHz
size SSE Cycles thru-sse memcpy Cycles thru-memcpy asm Cycles thru-asm
1 kB 2879 506.75 MB/s 4132 353.08 MB/s 2655 549.51 MB/s
2 kB 4877 598.29 MB/s 7041 414.41 MB/s 5179 563.41 MB/s
4 kB 8890 656.44 MB/s 13123 444.70 MB/s 9832 593.55 MB/s
8 kB 17413 670.28 MB/s 25128 464.48 MB/s 19403 601.53 MB/s
16 kB 34569 675.26 MB/s 48227 484.02 MB/s 38303 609.43 MB/s
32 kB 68992 676.69 MB/s 95582 488.44 MB/s 75969 614.54 MB/s
64 kB 138637 673.50 MB/s 195012 478.80 MB/s 151716 615.44 MB/s
128 kB 277678 672.52 MB/s 400484 466.30 MB/s 304670 612.94 MB/s
256 kB 565227 660.78 MB/s 906572 411.98 MB/s 618394 603.97 MB/s
512 kB 1142478 653.82 MB/s 1936657 385.70 MB/s 1380146 541.23 MB/s
1024 kB 2268244 658.64 MB/s 3989323 374.49 MB/s 2917758 512.02 MB/s
2048 kB 4556890 655.69 MB/s 8299992 359.99 MB/s 6166871 484.51 MB/s
4096 kB 9307132 642.07 MB/s 16873183 354.16 MB/s 12531689 476.86 MB/s
Вторая тестовая партия была проведена на университетской рабочей станции (Intel E6550, 2,33 ГГц, 2 ГБ DDR2 800?)
VC9 SSE/memcpy/ASM:
comparing P-III SIMD copytest (blocksize 4096) to memcpy
calculated CPU speed: 2327.2 MHz
size SSE Cycles thru-sse memcpy Cycles thru-memcpy asm Cycles thru-asm
1 kB 392 5797.69 MB/s 434 5236.63 MB/s 420 5411.18 MB/s
2 kB 882 5153.51 MB/s 707 6429.13 MB/s 714 6366.10 MB/s
4 kB 2044 4447.55 MB/s 1218 7463.70 MB/s 1218 7463.70 MB/s
8 kB 3941 4613.44 MB/s 2170 8378.60 MB/s 2303 7894.73 MB/s
16 kB 7791 4667.33 MB/s 4130 8804.63 MB/s 4410 8245.61 MB/s
32 kB 15470 4701.12 MB/s 7959 9137.61 MB/s 8708 8351.66 MB/s
64 kB 30716 4735.40 MB/s 15638 9301.22 MB/s 17458 8331.57 MB/s
128 kB 61019 4767.45 MB/s 31136 9343.05 MB/s 35259 8250.52 MB/s
256 kB 122164 4762.53 MB/s 62307 9337.80 MB/s 72688 8004.21 MB/s
512 kB 246302 4724.36 MB/s 129577 8980.15 MB/s 142709 8153.80 MB/s
1024 kB 502572 4630.66 MB/s 332941 6989.95 MB/s 290528 8010.38 MB/s
2048 kB 1105076 4211.91 MB/s 1384908 3360.86 MB/s 662172 7029.11 MB/s
4096 kB 2815589 3306.22 MB/s 4342289 2143.79 MB/s 2172961 4284.00 MB/s
Как видно, SSE очень быстро работает в моей домашней системе , но падает на машину Intel (вероятно, из-за плохого кодирования?). мой вариант сборки x86 идет вторым на моем домашнем компьютере и вторым в системе Intel (но результаты выглядят немного противоречивыми, одно объятие блокирует его доминирование над версией SSE1). MSVC memcpy выигрывает в тестах системы Intel, это связано с векторизацией SSE2, хотя на моем домашнем компьютере он терпит неудачу, даже ужасный __ movsd побеждает его ...
ловушки: память были все выровнены с степенями 2. кеш был (надеюсь) очищен. rdtsc использовался для измерения времени.
интересных мест: MSVC имеет (не указано ни в одной ссылке) __ movsd внутреннее, он выводит тот же ассемблерный код, который я использую, но он терпит неудачу (даже если он встроен!). Вероятно, поэтому его нет в списке.
VC9 memcpy можно принудительно векторизовать на моей машине, отличной от sse 2, однако это приведет к повреждению стека FPU, в нем также есть ошибка.
Это полный источник того, что я использовал для тестирования (включая мои изменения, опять же, кредит на http://www.mindcontrol.org/~hplus/ за оригинал). Бинарные файлы и файлы проекта доступны по запросу.
В заключение, похоже, что вариант переключения может быть лучшим, похожим на вариант MSVC crt, только намного более надежный, с большим количеством опций и однократным однократным 11119063] проверяет (через встроенные указатели на функции? Или что-то более изощренное, например внутренний патч прямого вызова) однако при встраивании, вероятно, придется использовать метод наилучшего случая
Обновление 3
Вопрос, заданный Эшаном, напомнил о чем-то полезном и связанном с этим, хотя только для битовых наборов и битовых операций, BitMagic и будет весьма полезен для больших наборов битов, в нем даже есть хорошая статья по SSE2 (бит) оптимизации . К сожалению, это все еще не библиотека типов CRT / stdlib. похоже, что большинство из этих проектов посвящено конкретному небольшому разделу (проблем).
Возникает вопрос, стоит ли тогда создавать проект crt / stdlib с открытым исходным кодом, вероятно, многоплатформенный, производительный , создание различных версий стандартизованных функций, каждая из которых оптимизирована для определенной ситуации, а также «лучший вариант» / вариант общего использования функции, либо с ветвлением времени выполнения для скаляра / MMX / SSE / SSE2 + (а-ля MSVC), либо с принудительным переключением скаляра времени компиляции / SIMD.
Это может быть полезно для HPC или проектов, где важен каждый бит производительности (например, игры), освобождая программиста от беспокойства о скорости встроенных функций, требуя лишь небольшой настройки, чтобы найти оптимальный оптимизированный вариант.
Обновление 4
Я думаю, что характер этого вопроса следует расширить, включив в него методы, которые может применяться с использованием SSE / MMX для оптимизации не-векторных / матричных приложений, это, вероятно, также может использоваться для 32/64-битного скалярного кода. Хорошим примером является то, как проверить наличие байта в данном 32/64/128/256-битном типе данных, сразу с использованием скалярных методов (битовых манипуляций), MMX и SSE / SIMD
Кроме того, я вижу много ответов типа «просто используйте ICC», и это хороший ответ, это не мой ответ, поскольку, во-первых, ICC - это не то, что я могу использовать постоянно (если у Intel нет бесплатной студенческой версии для windows ) из-за пробной версии 30. во-вторых, что более уместно, я ищу не только библиотеки, но и методы, используемые для оптимизации / создания функций, которые они содержат, для моего личного обучения и улучшения, и поэтому я могу применять такие методы и принципы к моему собственному коду. (где необходимо) в сочетании с использованием этих библиотек. надеюсь, это проясняет эту часть :)