Gcc 如何使用SSE指令集绝对2个双浮点数或4个浮点数？（至SSE4）

这是我试图使用SSE加速的示例C代码，两个数组的长度为3072个元素，带有双精度，如果我不需要双精度，可以将其降为浮点

double sum = 0.0;

for(k = 0; k < 3072; k++) {
    sum += fabs(sima[k] - simb[k]);
}

double fp = (1.0 - (sum / (255.0 * 1024.0 * 3.0)));

double sum=0.0；
对于（k=0；k<3072；k++）{
sum+=fabs（sima[k]-simb[k]）；
}
双浮点=（1.0-（和/（255.0*1024.0*3.0））；

无论如何，我当前的问题是如何在SSE寄存器中对double或float执行fabs步骤，这样我就可以将整个计算保持在SSE寄存器中，这样它就保持快速，并且我可以通过部分展开这个循环来并行化所有步骤

---

以下是我找到的一些资源，或者可能是第二个资源的缺点需要进行条件检查。

最简单的方法可能是：

__m128d vsum = _mm_set1_pd(0.0);        // init partial sums
for (k = 0; k < 3072; k += 2)
{
    __m128d va = _mm_load_pd(&sima[k]); // load 2 doubles from sima, simb
    __m128d vb = _mm_load_pd(&simb[k]);
    __m128d vdiff = _mm_sub_pd(va, vb); // calc diff = sima - simb
    __m128d vnegdiff = mm_sub_pd(_mm_set1_pd(0.0), vdiff); // calc neg diff = 0.0 - diff
    __m128d vabsdiff = _mm_max_pd(vdiff, vnegdiff);        // calc abs diff = max(diff, - diff)
    vsum = _mm_add_pd(vsum, vabsdiff);  // accumulate two partial sums
}

\uuum128d vsum=\umm\uset1\upd（0.0）；//初始部分和
对于（k=0；k<3072；k+=2）
{
__m128d va=_mm_load_pd（&sima[k]）；//从sima、simb加载2个双倍
__m128d vb=_mm_load_pd（&simb[k]）；
__m128d vdiff=_mm_sub_pd（va，vb）；//calc diff=sima-simb
__m128d vnegdiff=mm_sub_pd（_mm_set1_pd（0.0），vdiff）；//计算负差异=0.0-差异
__m128d vabsdiff=_mm_max_pd（vdiff，vnegdiff）；//计算abs diff=max（diff，-diff）
vsum=_mm_add_pd（vsum，vabsdiff）；//累加两个部分和
}

请注意，这可能不会比现代x86 CPU上的标量代码快多少，因为现代x86 CPU通常有两个FPU。然而，如果您可以降低到单精度，那么您很可能会获得2倍的吞吐量改进

---

还要注意的是，您需要在循环后将

vsum

中的两个部分和组合成一个标量值，但这是相当简单的操作，并且不是性能关键。

我建议使用位and和掩码。正值和负值具有相同的表示形式，只有最高有效位不同，正值为0，负值为1，请参阅。您可以使用以下选项之一：

inline __m128 abs_ps(__m128 x) {
    static const __m128 sign_mask = _mm_set1_ps(-0.f); // -0.f = 1 << 31
    return _mm_andnot_ps(sign_mask, x);
}

inline __m128d abs_pd(__m128d x) {
    static const __m128d sign_mask = _mm_set1_pd(-0.); // -0. = 1 << 63
    return _mm_andnot_pd(sign_mask, x); // !sign_mask & x
}

inline\uuum128 abs\ups（\uuuuum128 x）{
静态常数uum128符号mask=mm_set1_ps（-0.f）；/-0.f=1x和x的最大值应为abs（x）。代码如下：

x = _mm_max_ps(_mm_sub_ps(_mm_setzero_ps(), x), x)

我处理部分和的第二部分花了我一点时间，但总体上整个解决方案都起了作用。谢谢你！@Pharaun：谢谢你的反馈-你是否对SSE代码与原始标量代码进行了基准测试，如果是的话，你看到了多大的性能改进？@Paul使用单线程实现，我完成了20%，但通过openMP使用多线程时，这只是一个百分比，因此我仍然需要对其进行调整，并考虑将其移到浮点实现以获得更高的性能。@Paul，刚刚将其移到浮点实现，在普通C上的执行时间减少了约15%到30%，即使启用了openMP，这似乎也有帮助“我的内存带宽+四次泵送浮点值带来了一场大胜。@Pharaun：太好了-很高兴它有帮助。如果你能升级到最新的Sandy Bridge CPU并使用AVX，那么你应该会看到更大的改进。（AVX的浮点值为8倍，而SSE的浮点值为4倍）是的，当我发布这个问题时，我没有意识到这个技巧，但是的，它确实有意义：）当我有时间的时候，我会看看这个，但我想评论一下OpenMP方面……我在这个问题中使用/呈现的片段是另一个大得多的循环中的嵌套循环，我在外部循环中使用OpenMP，而不是内部循环循环：）但是如果OpenMP用于这个较小的内部循环，你是对的。您好，我能够实现这一点，并且它确实将速度提高了几个百分点，这很好：）我真的很喜欢Agner Fog的手册，它们真的很好！
x = _mm_max_ps(_mm_sub_ps(_mm_setzero_ps(), x), x)