C++ 如何优化；u[0]*v[0]&x2B；u[2]*v[2]"；带有SSE或GLSL的代码行

我有以下功能（来自开源项目）：

我对它进行了VS2010 CPU性能测试，结果表明，在所有重铸的代码中，此函数中的代码行

u[0]*v[0]+u[2]*v[2]

是CPU最热的

我如何优化CPU（通过SSE或例如）这条生产线

编辑：调用出现的上下文：

bool dtClosestHeightPointTriangle(const float* p, const float* a, const float* b, const float* c, float& h) {
    float v0[3], v1[3], v2[3];
    dtVsub(v0, c,a);
    dtVsub(v1, b,a);
    dtVsub(v2, p,a);

    const float dot00 = dtVdot2D(v0, v0);
    const float dot01 = dtVdot2D(v0, v1);
    const float dot02 = dtVdot2D(v0, v2);
    const float dot11 = dtVdot2D(v1, v1);
    const float dot12 = dtVdot2D(v1, v2);

    // Compute barycentric coordinates
    const float invDenom = 1.0f / (dot00 * dot11 - dot01 * dot01);
    const float u = (dot11 * dot02 - dot01 * dot12) * invDenom;
    const float v = (dot00 * dot12 - dot01 * dot02) * invDenom;

---

您可以使用SSE指令实现单点产品，但结果不会比现在编写的代码快（甚至可能慢）。重写可能会破坏有助于当前版本的编译器优化

为了从使用SSE或CUDA重写中获得任何好处，您必须优化要求该点积的循环。这对于CUDA尤其如此，因为执行一个点积的开销将是巨大的。只有将数千个向量发送到GPU以计算数千个点积，才能看到加速。同样的想法也适用于CPU上的SSE，但您可能会看到在较小数量的操作上有所改进。不过，它仍将不止是一个点积

---

最容易尝试的方法可能是

g++-ftree矢量化

。GCC将能够内联您的小函数，然后尝试为您优化循环（事实上，它可能已经是了，但没有SSE指令）。树矢量器将尝试自动执行您手动执行的操作。它并不总是成功的。

在纸上尝试了一些东西之后，我想到了一些可能对你有用的东西。它是SSE中功能的适当并行化/矢量化实现

然而，它确实需要数据重组，因为我们将同时对4个三角形进行并行处理

我将把它分成几个步骤，在这里或那里使用指令名，但请使用C内部函数（_-mm_-load_-ps（），_-mm_-sub_-ps（）等，它们在VC的xmmintrin.h中）——当我谈到寄存器时，这只是指u-m128

第一步

我们根本不需要Y坐标，所以我们设置指向X和Z对的指针。每次调用至少提供4对（即总共4个三角形）我将每个X和Z对称为顶点。

第二步

使用MOVAPS（要求指针与16位对齐）将每个指针指向的前两个顶点加载到寄存器中

从A加载的寄存器如下所示：[a0.x，a0.z，a1.x，a1.z]

第三步

现在，使用一条减法指令，您可以一次计算两个顶点的增量（v0、v1、v2）

不仅计算前两个三角形的v0、v1和v2，还计算后两个三角形的v0、v1和v2！ 正如我所说的，每个输入总共应该提供4个顶点，或8个浮点。只需对该数据重复步骤2和3即可

现在我们有2对vx寄存器，每对寄存器包含2个三角形的结果。我将它们称为vx_0（第一对）和vx_1（第二对），其中x是从0到2

第四步

Dot产品。为了并行化重心计算（稍后），我们需要在一个寄存器中计算4个三角形的每个点积的结果

例如，在计算dot01时，我们也会这样做，但同时计算4个三角形。每个v寄存器包含2个向量的结果，因此我们首先将它们相乘

假设u和v——点积函数中的参数——现在是v0_0和v1_0（用于计算dot01）：

将u和v相乘得到：[（v0_0.x0）*（v1_0.x0），（v0_0.z0）*（v1_0.z0），（v0_0.x1）*（v1_0.x1），（v0_0.z1）*（v1_0.z1）]

由于.x0/.z0和.x1/.z1的原因，这看起来可能会令人困惑，但看看在步骤2:a0，a1加载了什么

如果到目前为止这仍然感觉模糊，拿起一张纸，从头开始写

接下来，对于相同的点积，对v0_1和v1_1进行乘法（，即第二对三角形）

现在我们有2个寄存器，每个寄存器有2个X&Z对（总共4个顶点），相乘并准备相加形成4个单独的点积。SSE3有一条指令来完成这项工作，它被称为HADDPS：

xmm0=[A，B，C，D] xmm1=[E，F，G，H]

HADDPS xmm0，xmm1执行以下操作：

xmm0=[A+B，C+D，E+F，G+H]

它将从第一个寄存器中取出X&Z对，从第二个寄存器中取出，将它们相加，并将它们存储在目标寄存器的第一、第二、第三和第四个组件中。因此，在这一点上，我们得到了所有4个三角形的特殊点积

**现在对所有dot产品重复此过程：dot00等**

第五步

最后一次计算（根据我所提供的代码所见）是重心。这是代码中的100%标量计算。但您的输入现在不是标量点积结果（即单个浮点），而是SSE向量/寄存器，4个三角形中的每一个都有点积

因此，如果您通过使用对所有4个浮点运算的并行SSE操作将其完全矢量化，最终将得到1个寄存器（或结果），其中包含4个高度，每个三角形1个高度

因为我的午休时间已经过了，所以我不打算详细说明这一点，但考虑到我给出的设置/想法，这是最后一步，应该不难理解

我知道这个想法有点牵强，需要上面的代码中的一些爱，也许还需要一些用铅笔和纸的高质量时间，但它会很快（如果你愿意，你甚至可以在以后添加OpenMP）

祝你好运：）

（请原谅我的模糊解释，如果需要，我可以快速调用函数be=）

更新

我已经编写了一个实现，但它并没有像我预期的那样进行，主要是因为Y组件超出了您最初粘贴的代码部分

bool dtClosestHeightPointTriangle(const float* p, const float* a, const float* b, const float* c, float& h) {
    float v0[3], v1[3], v2[3];
    dtVsub(v0, c,a);
    dtVsub(v1, b,a);
    dtVsub(v2, p,a);

    const float dot00 = dtVdot2D(v0, v0);
    const float dot01 = dtVdot2D(v0, v1);
    const float dot02 = dtVdot2D(v0, v2);
    const float dot11 = dtVdot2D(v1, v1);
    const float dot12 = dtVdot2D(v1, v2);

    // Compute barycentric coordinates
    const float invDenom = 1.0f / (dot00 * dot11 - dot01 * dot01);
    const float u = (dot11 * dot02 - dot01 * dot12) * invDenom;
    const float v = (dot00 * dot12 - dot01 * dot02) * invDenom;

// Copied and modified from xnamathvector.inl
XMFINLINE XMVECTOR XMVector2DotXZ
(
    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[2] * V2.vector4_f32[2];

    return Result;

#elif defined(_XM_SSE_INTRINSICS_)
    // Perform the dot product on x and z
    XMVECTOR vLengthSq = _mm_mul_ps(V1,V2);
    // vTemp has z splatted
    XMVECTOR vTemp = _mm_shuffle_ps(vLengthSq,vLengthSq,_MM_SHUFFLE(2,2,2,2));
    // x+z
    vLengthSq = _mm_add_ss(vLengthSq,vTemp);
    vLengthSq = _mm_shuffle_ps(vLengthSq,vLengthSq,_MM_SHUFFLE(0,0,0,0));
    return vLengthSq;
#else // _XM_VMX128_INTRINSICS_
#endif // _XM_VMX128_INTRINSICS_
}

bool dtClosestHeightPointTriangle(FXMVECTOR p, FXMVECTOR a, FXMVECTOR b, FXMVECTOR c, float& h)
{
    XMVECTOR v0 = XMVectorSubtract(c,a);
    XMVECTOR v1 = XMVectorSubtract(b,a);
    XMVECTOR v2 = XMVectorSubtract(p,a);

    XMVECTOR dot00 = XMVector2DotXZ(v0, v0);
    XMVECTOR dot01 = XMVector2DotXZ(v0, v1);
    XMVECTOR dot02 = XMVector2DotXZ(v0, v2);
    XMVECTOR dot11 = XMVector2DotXZ(v1, v1);
    XMVECTOR dot12 = XMVector2DotXZ(v1, v2);

    // Compute barycentric coordinates
    XMVECTOR invDenom = XMVectorDivide(XMVectorReplicate(1.0f), XMVectorSubtract(XMVectorMultiply(dot00, dot11), XMVectorMultiply(dot01, dot01)));

    XMVECTOR u = XMVectorMultiply(XMVectorSubtract(XMVectorMultiply(dot11, dot02), XMVectorMultiply(dot01, dot12)), invDenom);
    XMVECTOR v = XMVectorMultiply(XMVectorSubtract(XMVectorMultiply(dot00, dot12), XMVectorMultiply(dot01, dot02)), invDenom);
}