SSE 中的打包掩码

Packed masking in SSE

我需要为打包的单个构建某种掩码系统,因为我需要对包含少于 4 个元素的向量使用打包操作。

所以,例如,我需要做这样的事情:

section .data

align 16 
a:      dd      1.5, 2.3, 5.0
align 16
x:      dd      1.0, -3.0, 5.0

global  main

main:   start

     movaps     xmm0, [x]
     movaps     xmm1, [a]
     addps      xmm0, xmm1
     haddps     xmm0, xmm0
     haddps     xmm0, xmm0

这应该会导致 xmm0

11.8, 11.8, 11.8, 11.8

这样我就可以取其中一个来得到我的操作结果。

这是必需的,因为代码应该处理用户的输入,该输入可能不包含 4 个元素的倍数,并且我不想编写特殊情况来处理它,而是想重用我已经使用的相同代码有一些细微的变化。

据我了解,在这种情况下,将 a 移动到 xmm0 最终会得到 xmm0

1.5, 2.3, 5.0, 0.0

所以不应该有任何问题,因为添加 0 不会改变任何东西。

但是如果 a 是从 C 程序传递的 float* 呢?据我了解,作为在 xmm0 中复制的第四个元素,我很有可能得到一个不同于 0.0 的值,因为我是从内存中复制而不是处理定义的常量。

当然这会打乱我所有的计算,导致不需要的结果,所以这是我的想法:我可以 "mask" xmm0 的内容基于我有多少元素吗?

这意味着,在这种情况下,我必须手动将 xmm0 的第四个元素设置为 0,因为需要前三个元素。

这是我写的代码:

section .data

align 16 
a:      dd      1.5, 2.3, 5.0, 7.0
align 16
x:      dd      1.0, -3.0, 5.0, 7.0
align 16
mask:   dd      0x00, 0x00, 0x00, 0xFF

section .bss

section .text

global  main

main:   start

        movaps      xmm0, [x]
        movaps      xmm1, [a]
        movaps      xmm2, [mask]    ; move the mask to a support registry

        cmpnltps    xmm3, xmm2      ; this compare should put -NaN where xmm2 has 0xFF
        andps       xmm0, xmm3      ; mask x vector     
        andps       xmm1, xmm3      ; mask a vector

        ; let's make the needed operations to compute the result
        addps       xmm0, xmm1      
        haddps      xmm0, xmm0
        haddps      xmm0, xmm0

        ; yay! there's 11.8, 11.8, 11.8, 11.8 in xmm0!

        stop

我已经尝试了几个示例,它在我需要时工作正常,即使我更改掩码以排除一些其他值(0x00, 0x00, 0xFF, 0xFF 仅适用于前 2 个元素等)。

现在,考虑到我几天前开始使用 SSE,我不确定这是不是正确的方法,我想不出一些例子来证明它不起作用,所以问题来了:有没有 better/official 方法来实现我需要的,如果没有,我的代码是否可以完成工作,或者仅仅因为我正在使用一个 "lucky"例子?

对于带有 gcc 向量扩展的 C 代码,

typedef float v4sf __attribute__((vector_size(16)));

v4sf foo(float const *restrict a, float const *restrict b)
{
  float const *restrict aa = __builtin_assume_aligned(a, 16);
  float const *restrict ba = __builtin_assume_aligned(b, 16);
  v4sf av = *(v4sf*)aa;
  v4sf bv = *(v4sf*)ba;
  v4sf sv = av+bv;
  float temp = sv[0]+sv[1]+sv[2];
  v4sf ret = {temp,temp,temp,temp};
  return ret;
}

gcc -Ofast -S 生成以下程序集(AT&T 语法):

foo:
    movaps  (%rsi), %xmm1       #load 1 of the vectors
    addps   (%rdi), %xmm1       #load the 2.nd vector, add to 1.st
    movaps  %xmm1, %xmm0        #make a copy of the sum
    movaps  %xmm1, %xmm2        #make a second copy
    shufps  , %xmm1, %xmm0   #shuffle [3][2][1][0] to [1][1][1][1]
    unpckhps    %xmm1, %xmm1    #unpack [3][2][1][0] to [3][3][2][2]
    addss   %xmm2, %xmm0        #add [3][2][1][0] to [1][1][1][1]
    addss   %xmm1, %xmm0        #add [3][3][2][2] to [3+1][2+1][1+1][0+1]
    shufps  [=11=], %xmm0, %xmm0    #shuffle [0+1+2] to all positions
    ret

避免从内存中加载常量掩码的需要。