C _mm_sad_epu8比_mm_sad_pu8快

在基准测试中，128位固有函数的执行速度比64位固有函数快

_mm_sad_epu8(__m128i, __m128i) //Clocks: 0.0300
_mm_sad_pu8(__m64, __m64)      //Clocks: 0.0491

据我所知，《英特尔参考手册》指出，mmx寄存器上的

（PSADBW）

延迟为5，吞吐量为1，但未说明mm寄存器的性能

它们不是同样快吗？这对于采用128位参数的内在函数来说是通用的吗？

我的测量程序（见下文）显示，在Core-i5 3450（常春藤桥）上，

\u mm\u sad\u epu8

的性能与

\u mm\u sad\u pu8

相当。后者甚至稍微快一点

我的程序的输出是：

warmup:              1.918 sec total
measure_mm_sad_epu8: 1.904 sec total, 0.372 nsec per operation
measure_mm_sad_pu8:  1.872 sec total, 0.366 nsec per operation

我的处理器的turbo时钟频率为3.5 GHz（单线程），

\u mm\u sad\u epu8

的吞吐量应为1个时钟周期。因此，每个操作应至少花费0.286纳秒。所以我的测量程序达到了最高性能的77%

我使用Visual Studio C++ 2010 Express，并创建了一个新的Win32控制台应用程序。该程序已使用标准的“发布”设置编译。这是cpp文件的代码：

#include "stdafx.h"
#include <cassert>
#include <ctime>
#include <iostream>
#include <iomanip>

extern "C" {
  #include <emmintrin.h>
}

float measure_mm_sad_epu8(int n, int repeat) {
    assert(n % 16 == 0);
    // Didn't get an aligned "new" to work :-(
    __m128i *input  = (__m128i *) _aligned_malloc(n * sizeof *input,  16);
    __m128i *output = (__m128i *) _aligned_malloc(n * sizeof *output, 16);
    if(!input || !output) exit(1);
    __m128i zero = _mm_setzero_si128();

    for(int i=0; i < n; i++) {
        input[i].m128i_i64[0] = 0x0123456789abcdef;
        input[i].m128i_i64[1] = 0xfedcba9876543210;
    }

    clock_t startTime = clock();
    for(int r = 0; r < repeat; r++) {
        for(int i = 0; i < n; i+=16) { // loop unrolled
            output[i  ] = _mm_sad_epu8(input[i  ], zero);
            output[i+1] = _mm_sad_epu8(input[i+1], zero);
            output[i+2] = _mm_sad_epu8(input[i+2], zero);
            output[i+3] = _mm_sad_epu8(input[i+3], zero);
            output[i+4] = _mm_sad_epu8(input[i+4], zero);
            output[i+5] = _mm_sad_epu8(input[i+5], zero);
            output[i+6] = _mm_sad_epu8(input[i+6], zero);
            output[i+7] = _mm_sad_epu8(input[i+7], zero);
            output[i+8] = _mm_sad_epu8(input[i+8], zero);
            output[i+9] = _mm_sad_epu8(input[i+9], zero);
            output[i+10] = _mm_sad_epu8(input[i+10], zero);
            output[i+11] = _mm_sad_epu8(input[i+11], zero);
            output[i+12] = _mm_sad_epu8(input[i+12], zero);
            output[i+13] = _mm_sad_epu8(input[i+13], zero);
            output[i+14] = _mm_sad_epu8(input[i+14], zero);
            output[i+15] = _mm_sad_epu8(input[i+15], zero);
        }
    }
    _mm_empty();
    clock_t endTime = clock();

    _aligned_free(input);
    _aligned_free(output);
    return (endTime-startTime)/(float)CLOCKS_PER_SEC;
}

float measure_mm_sad_pu8(int n, int repeat) {
    assert(n % 16 == 0);
    // Didn't get an aligned "new" to work :-(
    __m64 *input  = (__m64 *) _aligned_malloc(n * sizeof *input,  16);
    __m64 *output = (__m64 *) _aligned_malloc(n * sizeof *output, 16);
    if(!input || !output) exit(1);
    __m64 zero = _mm_setzero_si64();

    for(int i=0; i < n; i+=2) {
        input[i  ].m64_i64 = 0x0123456789abcdef;
        input[i+1].m64_i64 = 0xfedcba9876543210;
    }

    clock_t startTime = clock();
    for(int r = 0; r < repeat; r++) {
        for(int i = 0; i < n; i+=16) { // loop unrolled
            output[i  ] = _mm_sad_pu8(input[i  ], zero);
            output[i+1] = _mm_sad_pu8(input[i+1], zero);
            output[i+2] = _mm_sad_pu8(input[i+2], zero);
            output[i+3] = _mm_sad_pu8(input[i+3], zero);
            output[i+4] = _mm_sad_pu8(input[i+4], zero);
            output[i+5] = _mm_sad_pu8(input[i+5], zero);
            output[i+6] = _mm_sad_pu8(input[i+6], zero);
            output[i+6] = _mm_sad_pu8(input[i+7], zero);
            output[i+7] = _mm_sad_pu8(input[i+8], zero);
            output[i+8] = _mm_sad_pu8(input[i+9], zero);
            output[i+10] = _mm_sad_pu8(input[i+10], zero);
            output[i+11] = _mm_sad_pu8(input[i+11], zero);
            output[i+12] = _mm_sad_pu8(input[i+12], zero);
            output[i+13] = _mm_sad_pu8(input[i+13], zero);
            output[i+14] = _mm_sad_pu8(input[i+14], zero);
            output[i+15] = _mm_sad_pu8(input[i+15], zero);
        }
    }
    _mm_empty();
    clock_t endTime = clock();

    _aligned_free(input);
    _aligned_free(output);
    return (endTime-startTime)/(float)CLOCKS_PER_SEC;
}

int _tmain(int argc, _TCHAR* argv[])
{
    int n = 256, repeat = 20000000;
    float time;

    std::cout << std::setprecision(3) << std::fixed;

    time = measure_mm_sad_epu8(n,repeat);
    std::cout << "warmup:              " << time << " sec total" << std::endl;
    time = measure_mm_sad_epu8(n,repeat);
    std::cout << "measure_mm_sad_epu8: " << time << " sec total, " << time/n/repeat*1e9 << " nsec per operation" << std::endl;

    n*=2;      // same memory footprint
    repeat/=2; // but with same amount of calculations
    time = measure_mm_sad_pu8(n,repeat);
    std::cout << "measure_mm_sad_pu8:  " << time << " sec total, " << time/n/repeat*1e9 << " nsec per operation" << std::endl;
    return 0;
}

IvyBridge有足够的（管道）端口来“同时”执行此操作。 生成的代码仅使用

xmm1

和

xmm0

寄存器，因此它依赖于处理器的寄存器重命名EDIT2：由于地址算法的变化，代码长度从13字节到20字节不等。因此，代码可能会遇到解码器瓶颈，因为常春藤网桥每个时钟周期只能解码16字节（最多4条指令）。另一方面，它有一个循环缓存来处理这个问题

MMX版本生成的代码几乎相同：

013412D4  movq        mm1,mmword ptr [ecx-18h]  
013412D8  psadbw      mm1,mm0  
013412DB  movq        mmword ptr [eax-8],mm1  

013412DF  ...

---

这两个版本的内存占用量都是2*4kib，因为我将MMX版本中的元素数量增加了一倍（参见main）。

您是如何测量执行时间的？clock（）/CLOCKS\u PER\u SECOk，那么：基准循环是否运行了几秒钟？处理器是否达到相同的涡轮频率？它实际上是哪个处理器？我已经尝试了几秒钟的不同循环迭代。我还尝试对语句进行重新排序，以便消除潜在的turbo CPU功能。请链接提到的英特尔参考手册。我查过这个，也查过这个。它们都没有定义使用MM寄存器时的计时。感谢您的大量工作。这段代码或多或少等于我创建的基准程序。然而，我是用Xcode编译的，它可能来自不同的编译设置。这并不完全适合寄存器，所以每个

psadbw

都有一个加载和存储。将其写入

\u mm\u sad\u epu8（零，输入[i+1]）

（args以另一个顺序）确实像clang一样令人信服（当以AVX为目标时，3个操作数的非破坏性操作允许该操作在不影响调零向量reg的情况下工作。）无论如何，这可能仍然会使IvB上的端口0与psadbw饱和。也许MMX版本较小的缓存占用空间会造成微小的差异：如果被逐出，需要重新填充的缓存线会更少？@PeterCordes我在回答中添加了一些关于生成代码的更多细节。这两个版本的缓存占用空间是相同的，因为我将MMX版本中的元素数量增加了一倍（请参阅main）。我的编译器不支持折叠。您使用了64位编译器。我现在只有一个32位的编译器-（哦，我明白了，你实际上是在一个更大的缓冲区上循环。我原以为代码只是在一个16个元素的数组上循环，假设你希望它发出一个只包含

psadbw

指令的循环，没有任何可能成为瓶颈的加载/存储。所以我没有仔细阅读，看不出你是这样的干什么！

013410D0  movdqa      xmm1,xmmword ptr [ecx-30h]  
013410D5  psadbw      xmm1,xmm0  
013410D9  movdqa      xmmword ptr [eax-10h],xmm1  

013410DE  ...

013412D4  movq        mm1,mmword ptr [ecx-18h]  
013412D8  psadbw      mm1,mm0  
013412DB  movq        mmword ptr [eax-8],mm1  

013412DF  ...