用SSE指令打点产品性能：DPPS值得使用吗？

Question

通过 SSE4.1 计算两个短（4 元素）向量的点积更快

dpps

还是使用一系列

mulps

/

shufps

/

addps

上交所1的指示？

（对于大向量，当然最好将

mulps

/

addps

放入向量累加器并在最后进行一个水平求和，有足够的求和向量来隐藏 FP 延迟）

Answer 1

答案可能与上下文密切相关，并且完全取决于它在更大的代码流中的使用位置和方式，以及您所使用的硬件。

从历史上看，当英特尔推出新指令时，他们并没有专门为其投入太多硬件区域。如果它得到足够的采用和使用，他们会在后代中投入更多的硬件。因此，就原始 ALU 性能而言，与 SSE2 方式相比，Penryn 上的

_mm_dp_ps

并不是特别令人印象深刻。另一方面，它确实需要更少的指令缓存中的指令，因此当更紧凑的编码性能更好时，它可能会有所帮助。

_mm_dp_ps

的真正问题是作为 SSE 4.1 的一部分，你不能指望它在每台现代 PC 上都得到支持（Valve 的 Steam 硬件调查显示，对于游戏玩家来说，它的支持率约为 85%）。因此，您最终必须编写受保护的代码路径而不是直线代码，这通常比使用指令所获得的好处要高。

2024 年 2 月更新：SSE2/SSE3 在 Steam 上的利用率为 100%。 SSSE3、SSE4.1、SSE 4.2 为 99%。甚至 AVX 和 AVX2 也处于 90 年代上层。如今，使用

/arch:AVX

构建游戏是合理的，检查启动时是否支持 SSE/SSE2/SSE3/SSSE3/SSE4.1/SSE4.2/AVX，并且不支持缺乏任何支持的机器其中。

如果您正在为保证支持它的 CPU 制作二进制文件，那么它很有用。例如，如果您使用

/arch:AVX

（甚至是

/arch:AVX2

）进行构建，无论是因为您的目标是 Xbox One 等固定平台，还是正在构建 EXE/DLL 的多个版本，您可以假设 SSE 4.1 将受到支持好吧。

这实际上就是 DirectXMath 的作用：

inline XMVECTOR XMVector4Dot( FXMVECTOR V1, FXMVECTOR V2 )
{
#if defined(_XM_NO_INTRINSICS_)

    XMVECTOR Result;
    Result.vector4_f32[0] =
    Result.vector4_f32[1] =
    Result.vector4_f32[2] =
    Result.vector4_f32[3] = V1.vector4_f32[0] * V2.vector4_f32[0] + V1.vector4_f32[1] * V2.vector4_f32[1] + V1.vector4_f32[2] * V2.vector4_f32[2] + V1.vector4_f32[3] * V2.vector4_f32[3];
    return Result;

#elif defined(_M_ARM) || defined(_M_ARM64)

    float32x4_t vTemp = vmulq_f32( V1, V2 );
    float32x2_t v1 = vget_low_f32( vTemp );
    float32x2_t v2 = vget_high_f32( vTemp );
    v1 = vpadd_f32( v1, v1 );
    v2 = vpadd_f32( v2, v2 );
    v1 = vadd_f32( v1, v2 );
    return vcombine_f32( v1, v1 );

#elif defined(__AVX__) || defined(__AVX2__)

    return _mm_dp_ps( V1, V2, 0xff );

#elif defined(_M_IX86) || defined(_M_X64)

    XMVECTOR vTemp2 = V2;
    XMVECTOR vTemp = _mm_mul_ps(V1,vTemp2);
    vTemp2 = _mm_shuffle_ps(vTemp2,vTemp,_MM_SHUFFLE(1,0,0,0));
    vTemp2 = _mm_add_ps(vTemp2,vTemp);
    vTemp = _mm_shuffle_ps(vTemp,vTemp2,_MM_SHUFFLE(0,3,0,0));
    vTemp = _mm_add_ps(vTemp,vTemp2);
    return _mm_shuffle_ps(vTemp,vTemp,_MM_SHUFFLE(2,2,2,2));

#else
    #error Unsupported platform
#endif
}

这当然假设您将在其他向量运算中使用点积的“标量”结果。按照惯例，DirectXMath 返回这样的标量“分布”在返回向量上。

参见 DirectXMath：SSE4.1 和 SSE4.2

更新： 虽然不像 SSE/SSE2 支持那么普遍，但对于不使用

/arch:AVX

或

/arch:AVX2

构建的情况，您可能需要 SSE3 支持，并尝试：

inline XMVECTOR XMVector4Dot(FXMVECTOR V1, FXMVECTOR V2)
{
    XMVECTOR vTemp = _mm_mul_ps(V1,V2);
    vTemp = _mm_hadd_ps( vTemp, vTemp );
    return _mm_hadd_ps( vTemp, vTemp );
}

也就是说，目前尚不清楚

hadd

在大多数情况下至少在点积方面优于 SSE/SSE2 添加和洗牌解决方案。