Performance Dot产品性能与SSE说明

通过SSE 4.1指令集中的

dpps

指令或使用SSE 1中的一系列

addps

、

shufps

和

mulps

计算两个向量的点积是否更快？

答案可能是非常有关联的，这完全取决于它在更大的代码流中的位置和使用方式，以及您使用的硬件

从历史上看，当英特尔推出新指令时，他们并没有为其投入太多的硬件领域。如果它得到足够的采用和使用，他们将在未来几代人中投入更多的硬件。因此，就原始ALU性能而言，与SSE2方式相比，Penryn上的

\u-mm\u-dp\u-ps

并不是特别令人印象深刻。另一方面，它在I-cache中需要更少的指令，因此当更紧凑的编码性能更好时，它可能会有潜在的帮助

\u mm\u dp\u ps

的真正问题是作为SSE 4.1的一部分，你不能指望它在每台现代PC上都能得到支持（Valve的Steam硬件调查显示，游戏玩家的支持率约为85%）。因此，您最终不得不编写受保护的代码路径，而不是直线代码，这通常比使用该指令所获得的好处成本更高

如果您正在为保证支持它的CPU制作二进制文件，那么它将非常有用。例如，如果您正在使用

/arch:AVX

（甚至

/arch:AVX2

）进行构建，因为您的目标是像Xbox One这样的固定平台，或者正在构建多个版本的EXE/DLL，那么您可以假设SSE 4.1也将受到支持

这实际上是：

当然，这假设您将在其他向量操作中使用点积的“标量”结果。按照惯例，DirectXMath返回在返回向量上“飞溅”的标量

看

更新：虽然没有SSE/SSE2支持那么普遍，但对于您没有使用

/arch:AVX

或

/arch:AVX2

构建的案例，您可能需要SSE3支持，然后尝试：

inline XMVECTOR XMVector4Dot(FXMVECTOR V1, FXMVECTOR V2)
{
    XMVECTOR vTemp = _mm_mul_ps(V1,V2);
    vTemp = _mm_hadd_ps( vTemp, vTemp );
    return _mm_hadd_ps( vTemp, vTemp );
}

---

也就是说，

hadd

在大多数情况下至少是dot产品在SSE/SSE2添加和洗牌解决方案上的胜算还不清楚。

相关：但没有什么比一个好的旧性能测试更好了……这有更多的背景吗？通常整个情况下，必须做一个水平点积在第一位，如何才能避免？你能举个例子吗？例如，如果你在计算两个较大向量之间的点积，它不应该通过点小部分并将它们相加来建立（可以，但这是对水平运算的浪费），或者如果你基本上是在做微小的点积，那么在向量寄存器中没有向量几乎总是更好的，但是使用一个只有x坐标的向量，一个只有y坐标的向量等等，但是这两个都不适用。。这取决于你为什么不对它进行基准测试？由于您可能必须实现一个版本，尝试另一个版本不会有什么大不了的。

DPP

在Intel SnB系列CPU上的uop缓存中仍然需要4个uop，这通常是比一级I-cache更宝贵的资源。然而，这看起来确实像是uops战胜了该案例的后援。与水平求和的haddps不同，它只需4个UOP就能完成整个过程。

haddps

是SSE3，从技术上讲，x64 CPU或Windows 8.1/Windows 10不需要SSE3，尽管Valve调查显示它的支持率为99%，因此它在任何地方都能有效地为玩家提供支持。请参阅@Peter-SSE3版本与“回退”相比如何？除了代码大小之外，其他方面看起来都更糟糕

haddps

是3 UOP，5c延迟（在Haswell上）。所以在mulps之后，2xhaddps是4次洗牌和2次加法。SSE2版本是3次洗牌和2次添加，延迟为9c而不是10。（不包括mul）。顺便说一句，我以前没有看过，但这是一个很好的使用

\u mm\u shuffle\u ps

和两个不同的输入变量，以避免需要

movaps

来保存旧值以供下一次添加。但是，其中一个洗牌应该是

movhlps

：在奔腾M/Merom/K8上更快（洗牌速度较慢）。有关一些优化的水平和，请参阅。嗯，我认为你可以避免最后一次的广播洗牌，代价是额外增加1到2个movap，通过洗牌使最后一次添加的所有元素产生完整的结果。

inline XMVECTOR XMVector4Dot(FXMVECTOR V1, FXMVECTOR V2)
{
    XMVECTOR vTemp = _mm_mul_ps(V1,V2);
    vTemp = _mm_hadd_ps( vTemp, vTemp );
    return _mm_hadd_ps( vTemp, vTemp );
}