C++ 如何使用SSE优化矩阵3乘3与点的乘法？

我必须在图像的每个点上应用一个变换矩阵来获得新的点坐标

为此，我创建了一个自定义的

Matrix3by3

类，其中包含一个大小为9的浮点数组

为了将矩阵应用于每个点，首先我创建了以下函数：

constexpr auto apply_matrix(const Matrix3by3 & m, const Vec2i & p) -> Vec2f
{
  const auto x = m.at(0, 0) * p.x + m.at(0, 1) * p.y + m.at(0, 2);
  const auto y = m.at(1, 0) * p.x + m.at(1, 1) * p.y + m.at(1, 2);
  const auto z = m.at(2, 0) * p.x + m.at(2, 1) * p.y + m.at(2, 2);

  return { x / z, y / z };
}

如您所见，此函数将执行简单的矩阵乘法，而不执行最后一次乘法，因为在我的2D图像中没有z值

这非常有效，但由于这部分代码是热门代码，我正在尝试对其进行优化，因此我创建了一个SSE版本：

constexpr auto apply_matrix(const Matrix3by3 & m, const Vec2i & p) -> Vec2f
{
  using SSEVec3 = union {
    struct
    {
      float z, y, x;

    };
    __m128 values_ = _mm_setzero_ps();
  };

  const auto mvec1 = _mm_set_ps(0, m.at(0, 0), m.at(0, 1), m.at(0, 2));
  const auto mvec2 = _mm_set_ps(0, m.at(1, 0), m.at(1, 1), m.at(1, 2));
  const auto mvec3 = _mm_set_ps(0, m.at(2, 0), m.at(2, 1), m.at(2, 2));

  const auto pvec1 = _mm_set1_ps(static_cast<float>(p.x));
  const auto pvec2 = _mm_set1_ps(static_cast<float>(p.y));

  auto result = SSEVec3{};
  result.values_ = _mm_add_ps(_mm_add_ps(_mm_mul_ps(mvec1, pvec1), _mm_mul_ps(mvec2, pvec2)), mvec3);

  return { result.x / result.z, result.y / result.z };
}

constexpr自动应用矩阵（constmatrix3by3&m，constvec2i&p）->Vec2f
{
使用SSEVec3=联合{
结构
{
浮动z，y，x；
};
__m128值=_mm_setzero_ps（）；
};
const auto mvec1=_mm_set_ps（0，m.at（0，0），m.at（0，1），m.at（0，2））；
const auto mvec2=_mm_set_ps（0，m.at（1,0），m.at（1,1），m.at（1,2））；
const auto mvec3=_mm_set_ps（0，m.at（2,0），m.at（2,1），m.at（2,2））；
const auto pvec1=_mm_set1_ps（静态_cast（p.x））；
const auto pvec2=_mm_set1_ps（静态投射（p.y））；
自动结果=SSEVec3{}；
结果.值u=mm_add_ps（mm_add_ps（mm_mul_ps（mvec1，pvec1），mm_mul_ps（mvec2，pvec2）），mvec3）；
返回{result.x/result.z，result.y/result.z}；
}

这也行得通，但它比第一个版本慢，而且因为我正在学习SSE，我不明白为什么会这样

我对第二个版本的想法是并行计算x、y和z值

所以，这就是我的问题，为什么SSE版本较慢，我如何优化它以尽可能快

---

谢谢

通常，只优化需要优化的，而不是您猜测需要优化的

可能（原始）代码中最糟糕的一点是重复分区，而您的“优化”根本没有帮助。除法浮点或双精度浮点远比这段代码中的其他方法糟糕，因此最好的优化方法是将1/z（除法一次）计算成一个辅助变量，然后将结果乘以两倍

---

但是，正如一开始所说的，您可能不需要任何优化，或者您可能需要其他优化。测试、分析并查找最慢的编码。猜测通常会导致浪费精力和不必要的代码复杂性。

通常，只优化需要优化的内容，而不是您猜测需要优化的内容

可能（原始）代码中最糟糕的一点是重复分区，而您的“优化”根本没有帮助。除法浮点或双精度浮点远比这段代码中的其他方法糟糕，因此最好的优化方法是将1/z（除法一次）计算成一个辅助变量，然后将结果乘以两倍

---

但是，正如一开始所说的，您可能不需要任何优化，或者您可能需要其他优化。测试、分析并查找最慢的编码。猜测通常会导致浪费精力和不必要的代码复杂性。

每当在这个级别进行优化时，您应该检查生成的汇编代码：

gcc-S

。你能让你的代码更完整吗：周围的代码是什么样子的？你跑了几次？另外，在比较函数的性能时，我会避免声明函数

constexpr

，我认为这可能是由最后的z除法决定的。在任何情况下，您都应该首先查看明显版本的反汇编输出。考虑到现代C++风格，你可能使用了一个非常新的编译器，其中自动矢量化可能会被打开。根据您拥有的芯片，使用mm_set_ps和m.at的手动存储也会杀死您。SSE没有“聚集”指令，因此请执行未对齐加载，然后屏蔽最低的单词或忽略结果。这样滥用

\u mm\u set\u ps

是一种主要的反模式，这应该是一种适当的宽加载（这会使一个车道的加载过多，如果需要，请进行pad）.您是否尝试过比较启用SIMD和未启用SIMD编译器优化时的性能？这将告诉您编译器是否已经在使用SIMD，就像查看程序集一样。无论哪种方式，您都应该在矩阵中填充数组，并按照@harold的建议使用load。是否“我图像的每个点”的字面意思是

{（0,0），（0，width-1），（1，0），…，（height-1，width-1）}

？或者只是一组更大的“有趣”点？我假设所有点的矩阵都保持不变？无论何时在这个级别进行优化，都应该检查生成的汇编代码：

gcc-S

。你能让你的代码更完整吗：周围的代码是什么样子的？你跑了几次？另外，在比较函数的性能时，我会避免声明函数

constexpr

，我认为这可能是由最后的z除法决定的。在任何情况下，您都应该首先查看明显版本的反汇编输出。考虑到现代C++风格，你可能使用了一个非常新的编译器，其中自动矢量化可能会被打开。根据您拥有的芯片，使用mm_set_ps和m.at的手动存储也会杀死您。SSE没有“聚集”指令，因此请执行未对齐加载，然后屏蔽最低的单词或忽略结果。这样滥用

\u mm\u set\u ps

是一种主要的反模式，这应该是一种适当的宽加载（这会使一个车道的加载过多，如果需要，请进行pad）.您是否尝试过比较启用SIMD和未启用SIMD编译器优化时的性能？这将告诉您编译器是否已经在使用SIMD，就像查看程序集一样。无论哪种方式，你都应该在矩阵中填充数组，并按照@harold的建议使用load。“我的图像的每个点”的字面意思是什么