SIMD---SSE系列及效率对比

SSE（即Streaming SIMD Extension），是对由MMX指令集引进的SIMD模型的扩展。我们知道MMX有两个明显的缺点：

• 只能操作整数。
• 不能与浮点数同时运行（MMX使用FPU寄存器作为别名）。

而SSE则解决了这个问题，SSE引进了8个专用的浮点寄存器MMX0~MMX7。后来Intel又陆续推出了SSE2、SSE3、SSE4，这使得SSE指令系列同时拥有了浮点数学运算功能和整数运算功能，因此早先的MMX指令就显得有点多余了（虽然可是并行执行SSE、MMX指令来提高性能）。

SSE系列功能特点

SSE1

• 添加8个128位寄存器XMM0~MMX7.
• 操作4个单精度浮点数。
• 支持打包（Packed）和标量（Scaler）操作。

SSE2

• 添加整数向量运算，提升运行性能。
• 支持双精度浮点向量运算。
• 打包类型取消限制，支持8位、16位、32位、64位，包括整数和浮点数。
• 添加缓存控制指令。
• 添加浮点数到整数的转换指令

SSE3

• 寄存器内水平操作，例如打包在一个128位MMX寄存器内的2个64位整数，可以利用新指令对这两个整数进行算数运算。
• 多线程优化指令，在超线程下提高性能。

SSSE3

• 打包整形数据的运算加速。

SSE4

SSE4包含两个子集：SSE4.1和SSE4.2，并兼容以前的64位和IA-32指令集架构。值得指出的是SSE4增加了：1）STTNI（String and Text New Instructions）指令来帮助开发者处理字符搜索和比较，旨在加速对XML文件的解析；2）CRC32指令，帮助计算循环冗余校验值。

SSE效率对比

这里我们就只简单比较下这两个指令集的计算效率，其他功能就不在本次考虑范围内了。像前一篇博客一样，我们同样用对10000000个字符进行加操作来进行对比操作。这里我们全部用Intrinsics来对比，方便编写，不用考虑调用约定。

整数计算 Mmx vs Sse

因为整数操作只在SSE2中支持，所以实际上我们用的是sse2指令。

mmx代码：

void calculateUsingMmx(char* data, unsigned size)
{
    assert(size % 8 == 0);

    __m64 step = _mm_set_pi8(10, 10, 10, 10, 10, 10, 10, 10);
    __m64* dst = reinterpret_cast<__m64*>(data);
    for (unsigned i = 0; i < size; i += 8)
    {
        auto sum = _mm_adds_pi8(step, *dst);
        *dst++ = sum;
    }

    _mm_empty();
}

sse代码：

void calculateUsingSseInt(char* data, unsigned size)
{
    assert(size % 16 == 0);

    __m128i step = _mm_set_epi8(10, 10, 10, 10, 10, 10, 10, 10,
                                10, 10, 10, 10, 10, 10, 10, 10);
    __m128i* dst = reinterpret_cast<__m128i*>(data);
    for (unsigned i = 0; i < size; i += 16)
    {
        auto sum = _mm_add_epi8(step, *dst);
        *dst++ = sum;
    }

    //  no need to clear flags like mmx because SSE and FPU can be used at the same time.
}

浮点计算 Asm vs Sse

由于MMX指令集不包含浮点指令，因此我们x86浮点指令来对比，同样对10000000个flaot值进行加操作。

Asm代码：

void calculateUsingAsmFloat(float* data, unsigned count)
{
    auto singleFloatBytes = sizeof(float);
    auto step = 10.0;
    __asm
    {
            push ecx
            push edx

            mov edx, data
            mov ecx, count
            fld step    //  fld only accept FPU or Memory

        calcLoop:
            fld [edx]
            fadd st(0), st(1)
            fstp [edx]
            add edx, singleFloatBytes
            dec ecx
            jnz calcLoop

            pop edx
            pop ecx
    }
}

Sse代码：

void calculateUsingSseFloat(float* data, unsigned count)
{
    assert(count % 4 == 0);
    assert(sizeof(float) == 4);

    __m128 step = _mm_set_ps(10.0, 10.0, 10.0, 10.0);
    __m128* dst = reinterpret_cast<__m128*>(data);
    for (unsigned i = 0; i < count; i += 4)
    {
        __m128 sum = _mm_add_ps(step, *dst);
        *dst++ = sum;
    }
}

运行结果

SSE2的浮点计算对比x86浮点计算性能提升不是非常明显，但是也要考虑Intrinsics使用导致的略微性能缺失。上面两种计算方式的效率对比结果如下：

完整代码见链接。