C++ 尝试使用x86 asm SSSE3将大端转换为小端

我已经做了一段时间的arm asm，并尝试使用x86 asm ssse3优化简单循环。我找不到一种方法把大端词转换成小端词

ARM NEON有一个单独的向量指令来实现这一点，但SSSE3没有。我尝试使用2个移位和or，但如果向左移位8（数据饱和），则每个插槽需要32位，而不是16位

我查看了PSHUFB，但当我使用它时，16位字的前半部分总是0

我在x86上为android使用内联asm。对于可能出现的错误语法或其他错误，请理解我的意思（很难从我的代码中删除）

如果我循环使用dataSrc变量，则前8个字节的输出为：

0: 0
1: 0
2: 0
3: 0
4: 72
5: 696
6: 24
7: 60

即使顺序错误，也只交换最后4个。为什么前4个都是零？不管我如何改变地图，第一个有时是0，下一个3总是0，为什么？我做错什么了吗

编辑

我弄明白了为什么它不起作用，映射没有正确地传递到内联asm中，我必须为它释放一个输入变量

关于Intrisic与手写asm的其他问题。下面的代码是将16字节的视频帧数据YUV42010BE转换为YUVP420（8位），问题在于洗牌，如果我使用little endian，那么我就不会有那个部分

static const char map[16] = { 9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6 };
int dstStrideOffset = (dstStride - srcStride / 2);
asm volatile (
    "push       %%ebp\n"

    // All 0s for packing
    "xorps      %%xmm0, %%xmm0\n"

    "movdqu     (%5),%%xmm4\n"

    "yloop:\n"

    // Set the counter for the stride
    "mov %2,    %%ebp\n"

    "xloop:\n"

    // Load source data
    "movdqu     (%0),%%xmm1\n"
    "movdqu     16(%0),%%xmm2\n"
    "add        $32,%0\n"

    // The first 4 16-bytes are 0,0,0,0, this is the issue.
    "pshufb      %%xmm4, %%xmm1\n"
    "pshufb      %%xmm4, %%xmm2\n"

    // Shift each 16 bit to the right to convert
    "psrlw      $0x2,%%xmm1\n"
    "psrlw      $0x2,%%xmm2\n"

    // Merge both 16bit vectors into 1 8bit vector
    "packuswb   %%xmm0, %%xmm1\n"
    "packuswb   %%xmm0, %%xmm2\n"
    "unpcklpd   %%xmm2, %%xmm1\n"

    // Write the data
    "movdqu     %%xmm1,(%1)\n"
    "add        $16, %1\n"

    // End loop, x = srcStride; x >= 0 ; x -= 32
    "sub        $32, %%ebp\n"
    "jg         xloop\n"

    // End loop, y = height; y >= 0; --y
    "add %4,    %1\n"
    "sub $1,    %3\n"
    "jg         yloop\n"

    "pop        %%ebp\n"
:   "+r" (src),
    "+r" (dst),
    "+r" (srcStride),
    "+r" (height),
    "+r"(dstStrideOffset)
:   "x"(map)
:   "memory", "cc", "xmm0", "xmm1", "xmm2", "xmm3", "xmm4"
);

我还没有来得及使用little endian实现内部函数的洗牌

const int dstStrideOffset = (dstStride - srcStride / 2);
__m128i mdata, mdata2;
const __m128i zeros = _mm_setzero_si128();
for (int y = height; y > 0; --y) {
    for (int x = srcStride; x > 0; x -= 32) {
        mdata = _mm_loadu_si128((const __m128i *)src);
        mdata2 = _mm_loadu_si128((const __m128i *)(src + 8));
        mdata = _mm_packus_epi16(_mm_srli_epi16(mdata, 2), zeros);
        mdata2 = _mm_packus_epi16(_mm_srli_epi16(mdata2, 2), zeros);
        _mm_storeu_si128( (__m128i *)dst, static_cast<__m128i>(_mm_unpacklo_pd(mdata, mdata2)));
        src += 16;
        dst += 16;
    }
    dst += dstStrideOffset;
}

const int dststripdoffset=（dstStride-srcStride/2）；
__m128i mdata，mdata2；
常数m128i零=_mm_setzero_si128（）；
对于（int y=高度；y>0；--y）{
对于（int x=srcStride；x>0；x-=32）{
mdata=_mm_loadu_si128（（常数m128i*）src）；
mdata2=_mm_loadu_si128（（常数m128i*）（src+8））；
mdata=_mm_packus_epi16（_mm_srli_epi16（mdata，2），零）；
mdata2=_mm_packus_epi16（_mm_srli_epi16（mdata2，2），零）；
_mm_storeu_si128（（__m128i*）dst，静态铸造（_mm_Unpaclo_pd（mdata，mdata2））；
src+=16；
dst+=16；
}
dst+=dst偏移量；
}

可能写得不正确，但在Android emulator（API 27）、x86（SSSE3是最高的，i686）上进行基准测试，并使用默认编译器设置和添加优化（尽管在性能上没有差异）-Ofast-O3-funroll循环-mssse3-mfpmath=sse平均值：

内在：1.9-2.1毫秒 手写：0.7-1ms

---

有没有办法加快速度？也许我写的intrinics是错的，有没有可能让intrinics的手写速度更接近呢？

你的代码不起作用，因为你把

map

的地址传给了

pshufb

。我不确定gcc为此生成了什么代码，我根本无法想象它会编译

对于这类事情，使用内联汇编通常不是一个好主意。相反，使用内在函数：

#include <immintrin.h>

void byte_swap(char dst[16], const char src[16])
{
    __m128i msrc, map, mdst;

    msrc = _mm_loadu_si128((const _m128i *)src);
    map = _mm_setr_epi8(9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6);
    mdst = _mm_shuffle_epi8(msrc, map);
    _mm_storeu_si128((_m128i *)dst, mdst);
}

---

我在讨论内部函数，但是arm比编译器运行循环（我进行了基准测试）慢，相比于完整的neon汇编，大约慢20倍。测试相同的算法，但使用内部函数和循环要慢3-4倍。我的简单循环的每次迭代对于asm是1ms，对于Intrinsic是3-4ms，可能是带有ndk的llvm编译器。我以前在桌面上使用过intrinics，但我使用的是微软的visualstudio编译器。pshufb命令在您的代码中起作用，我一定是在某个地方出错了，是的，我写错了，意思是内联的“m”（map），而不是“+r”。@user654628 intrinsic如果在没有优化的情况下编译，可能会很慢，所以总是在启用优化的情况下编译。给编译器一个内联相关函数的机会也是很有帮助的。@user654628也许你可以在一个单独的问题中用内部函数发布你的ARM代码，我们可以试着找出它慢的原因。奇怪的是，Android总是使用优化进行编译。。。我的arm代码不再以内部语言编写，大多数都是用手写的汇编语言编写的，我以后可能会重写它。@user654628我明白了。如果您还有其他问题，请告诉我。如果您的所有问题都已回答，请将答案标记为已接受，以便其他用户知道您的问题已解决。PSHUFB位于SSSE3中，而不是SSE3中。它们是不同的扩展。如果您确实需要支持没有SSSE3的CPU，那么您需要为这些CPU提供一种变通方法，使用

psrlw

/

psllw

/

por

。（说真的，您应该将x86 asm转换为内部函数。如果您的实际内联asm看起来像这样，并且有这样的约束，那么编译器至少会做得一样好。特别是如果您确实在使用

new

动态分配16字节数组！）也许我应该上传我的整个代码集，我上面的代码是从更大的asm代码中提取出来的，我只是为了说明这个问题，这不是全部调用，否则我会使用intrinics。正如我在下面的评论中所说，Intrinics的速度慢了3倍（可能是写错了）。我今晚回家后会上传代码。3-4ms vs 1 ms用于手写（不包括任何pshufb）。到目前为止，我一直在使用psrlw/psllw/por。哦，你是说x86内部函数的代码要慢3倍？我认为您之所以避免使用intrinsic，是因为在ARM上使用它们的经验不好，在ARM上编译器的工作非常糟糕，而在x86上则大多非常好。在x86上，clang在asm中使用的洗牌/混合比使用Intrinsic指定的洗牌/混合效果更好；就像

+

操作符不必编译成

add

指令一样，内部函数是LLVM的shuffle优化器的输入。不管怎么说，也许你没有让编译器优化，也许是因为在别名分析失败的情况下使用循环计数器，所以你会重新加载，IDK？不管怎么说，看看编译器为你的内部函数生成asm，看看编译器缺少什么。然后看看你的消息来源，看看为什么它认为它必须签署扩展o

#include <immintrin.h>

void byte_swap(char dst[16], const char src[16])
{
    __m128i msrc, map, mdst;

    msrc = _mm_loadu_si128((const _m128i *)src);
    map = _mm_setr_epi8(9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6);
    mdst = _mm_shuffle_epi8(msrc, map);
    _mm_storeu_si128((_m128i *)dst, mdst);
}

void byte_swap(char dst[16], const char src[16])
{
    typedef long long __m128i_u __attribute__ ((__vector_size__ (16), __may_alias__, __aligned__ (1)));
    static const char map[16] = { 9, 8, 11, 10, 13, 12, 15, 14, 1, 0, 3, 2, 5, 4, 7, 6 };
    __m128i_u data = *(const __m128i_u *)src;

    asm ("pshufb %1, %0" : "+x"(data) : "xm"(* (__m128i_u *)map));
   *(__m128i_u *)dst = data;
}