并行编程之跨平台使用SSE、AVX指令集心得——以单精度浮点数组求和为例（支持vc、gcc，兼容Windows、Linux、Mac）

作者：zyl910。

　　本文面对对SSE等SIMD指令集有一定基础的读者，以单精度浮点数组求和为例演示了如何跨平台使用SSE、AVX指令集。因使用了stdint、zintrin、ccpuid这三个模块，可以完全避免手工编写汇编代码，具有很高可移植性。支持vc、gcc编译器，在Windows、Linux、Mac这三大平台上成功运行。


一、问题背景

　　最初，我们只能使用汇编语言来编写SIMD代码。不仅写起来很麻烦，而且易读性、可维护性、移植性都较差。
　　不久，VC、GCC等编译器相继支持了Intrinsic函数，使我们可以摆脱汇编，利用C语言来调用SIMD指令集，大大提高了易读性和可维护。而且移植性也有提高，能在同一编译器上实现32位与64位的平滑过渡。
　　但当代码在另一种编译器编译时，会遇到一些问题而无法编译。甚至在使用同一种编译器的不同版本时，也会遇到无法编译问题。

　　首先是整数类型问题——
　　传统C语言的short、int、long等整数类型是与平台相关的，不同平台上的位长是不同的（例如Windows是LLP64模型，Linux、Mac等Unix系统多采用LP64模型）。而使用SSE等SIMD指令集时需要精确计算数据的位数，不同位长的数据必须使用不同的指令来处理。
　　有一个解决办法，就是使用C99标准中stdint.h所提供的指定位长的整数类型。GCC对C99标准支持性较好，而VC的步骤很慢，貌似直到VC2010才支持stdint.h。而很多时候我们为了兼容旧代码，不得不使用VC等老版本的VC编译器。

　　其次是Intrinsic函数的头文件问题，不同编译器所使用的头文件不同——
　　对于早期版本VC，需要根据具体的指令集需求，手动引入mmintrin.h、xmmintrin.h等头文件。对于VC2005或更高版本，引入intrin.h就行了，它会自动引入当前编译器所支持的所有Intrinsic头文件。
　　对于早期版本GCC，也是手动引入mmintrin.h、xmmintrin.h等头文件。而对于高版本的GCC，引入x86intrin.h就行了，它会自动引入当前编译环境所允许的Intrinsic头文件。

　　再次是当前编译环境下的Intrinsic函数集支持性问题——
　　对于VC来说，VC6支持MMX、3DNow!、SSE、SSE2，然后更高版本的VC支持更多的指令集。但是，VC没有提供检测Intrinsic函数集支持性的办法。例如你在VC2010上编写了一段使用了AVX Intrinsic函数的代码，但拿到VC2005上就不能通过编译了。其次，VC不支持64位下的MMX，这让一些老程序迁徙到64位版时遭来了一些麻烦。
　　而对于GCC来说，它使用-mmmx、-msse等编译器开关来启用各种指令集，同时定义了对应的 __MMX__、__SSE__等宏，然后x86intrin.h会根据这些宏来声明相应的Intrinsic函数集。__MMX__、__SSE__等宏可以帮助我们判断Intrinsic函数集是否支持，但这只是GCC的专用功能。
　　此外还有一些细节问题，例如某些Intrinsic函数仅在64下才能使用、有些老版本编译器的头文件缺少某个Intrinsic函数。所以我们希望有一种统一的方式来判断Intrinsic函数集的支持性。

　　除了编译期间的问题外，还有运行期间的问题——
　　在运行时，怎么检测当前处理器支持哪些指令集？
　　虽然X86体系提供了用来检测处理器的CPUID指令，但它没有规范的Intrinsic函数，在不同的编译器上的用法不同。
　　而且X86体系有很多种指令集，每种指令集具体的检测方法是略有区别的。尤其是SSE、AVX这样的SIMD指令集是需要操作系统配合才能正常使用的，所以在CPUID检查通过后，还需要进一步验证。


二、范例讲解

2.1 事先准备

　　为了解决上面提到的问题，我编写了三个模块——
stdint：智能支持C99的stdint.h，解决整数类型问题。最新版的地址是 http://www.cnblogs.com/zyl910/archive/2012/08/08/c99int.html 。
zintrin：在编译时检测Intrinsic函数集支持性，并自动引入相关头文件、修正细节问题。最新版的地址是 http://www.cnblogs.com/zyl910/archive/2012/10/01/zintrin_v101.html 。
ccpuid：在编译时检测指令集的支持性。最新版的地址是 http://www.cnblogs.com/zyl910/archive/2012/10/13/ccpuid_v103.html 。

　　这三个模块的纯C版就是一个头文件，用起来很方便，将它们项目中，直接#include就行了。例如——

[cpp] view plaincopyprint?
  1. #define __STDC_LIMIT_MACROS 1   // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.] 
  2.  
  3. #include "zintrin.h" 
  4. #include "ccpuid.h" 


　　因为stdint.h会被zintrin.h或ccpuid.h引用，所以不需要手动引入它。
　　因为它们用到了C99整数范围常量，所以应该在程序的最前面定义__STDC_LIMIT_MACROS宏（或者可以在项目配置、编译器命令行等位置进行配置）。根据C99规范，纯C程序可以不用, 而C++程序必须定义该宏。本文为了演示，定义了该宏。


2.2 C语言版

　　我们先用C语言编写一个基本的单精度浮点数组求和函数——

[cpp] view plaincopyprint?
  1. // 单精度浮点数组求和_基本版. 
  2. // 
  3. // result: 返回数组求和结果. 
  4. // pbuf: 数组的首地址. 
  5. // cntbuf: 数组长度. 
  6. float sumfloat_base(const float* pbuf, size_t cntbuf) 
  7. { 
  8.     float s = 0;    // 求和变量. 
  9.     size_t i; 
  10.     for(i=0; i<cntbuf; ++i) 
  11.     { 
  12.         s += pbuf[i]; 
  13.     } 
  14.     return s; 
  15. } 


　　该函数很容易理解——先将返回值赋初值0，然后循环加上数组中每一项的值。


2.3 SSE版

2.3.1 SSE普通版

　　SSE寄存器是128位的，对应__m128类型，它能一次能处理4个单精度浮点数。
　　很多SSE指令要求内存地址按16字节对齐。本文为了简化，假定浮点数组的首地址是总是16字节对齐的，仅需要考虑数组长度不是4的整数倍问题。
　　因使用了SSE Intrinsic函数，我们可以根据zintrin.h所提供的INTRIN_SSE宏进行条件编译。
　　代码如下——

[cpp] view plaincopyprint?
  1. #ifdef INTRIN_SSE 
  2. // 单精度浮点数组求和_SSE版. 
  3. float sumfloat_sse(const float* pbuf, size_t cntbuf) 
  4. { 
  5.     float s = 0;    // 求和变量. 
  6.     size_t i; 
  7.     size_t nBlockWidth = 4; // 块宽. SSE寄存器能一次处理4个float. 
  8.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  9.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  10.     __m128 xfsSum = _mm_setzero_ps();   // 求和变量。[SSE] 赋初值0 
  11.     __m128 xfsLoad; // 加载. 
  12.     const float* p = pbuf;  // SSE批量处理时所用的指针. 
  13.     const float* q; // 将SSE变量上的多个数值合并时所用指针. 
  14.  
  15.     // SSE批量处理. 
  16.     for(i=0; i<cntBlock; ++i) 
  17.     { 
  18.         xfsLoad = _mm_load_ps(p);   // [SSE] 加载 
  19.         xfsSum = _mm_add_ps(xfsSum, xfsLoad);   // [SSE] 单精浮点紧缩加法 
  20.         p += nBlockWidth; 
  21.     } 
  22.     // 合并. 
  23.     q = (const float*)&xfsSum; 
  24.     s = q[0] + q[1] + q[2] + q[3]; 
  25.  
  26.     // 处理剩下的. 
  27.     for(i=0; i<cntRem; ++i) 
  28.     { 
  29.         s += p[i]; 
  30.     } 
  31.  
  32.     return s; 
  33. } 
  34.  
  35. #endif  // #ifdef INTRIN_SSE 


　　上述代码大致可分为四个部分——
1. 变量定义与初始化。
2. SSE批量处理。即对前面能凑成4个一组的数据，利用SSE的128位宽度同时对4个数累加。
3. 合并。将__m128上的多个数值合并到求和变量。因考虑某些编译器不能直接使用“.”来访问__m128变量中的数据，于是利用指针q来访问xfsSum中的数据。
4. 处理剩下的。即对尾部不能凑成4个一组的数据，采用基本的逐项相加算法。

　　上述代码总共用到了3个SSE Intrinsic函数——
_mm_setzero_ps：对应XORPS指令。将__m128上的每一个单精度浮点数均赋0值，伪代码：for(i=0;i<4;++i) C[i]=0.0f。
_mm_load_ps：对应MOVPS指令。从内存中对齐加载4个单精度浮点数到__m128变量，伪代码：for(i=0;i<4;++i) C[i]=_A[i]。
_mm_add_ps：对应ADDPS指令。相加，即对2个__m128变量的4个单精度浮点数进行垂直相加，伪代码：for(i=0;i<4;++i) C[i]=A[i]+B[i]。


2.3.2 SSE四路循环展开版

　　循环展开可以降低循环开销，提高指令级并行性能。
　　一般来说，四路循环展开就差不多够了。我们可以很方便的将上一节的代码改造为四路循环展开版——

[cpp] view plaincopyprint?
  1. // 单精度浮点数组求和_SSE四路循环展开版. 
  2. float sumfloat_sse_4loop(const float* pbuf, size_t cntbuf) 
  3. { 
  4.     float s = 0;    // 返回值. 
  5.     size_t i; 
  6.     size_t nBlockWidth = 4*4;   // 块宽. SSE寄存器能一次处理4个float，然后循环展开4次. 
  7.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  8.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  9.     __m128 xfsSum = _mm_setzero_ps();   // 求和变量。[SSE] 赋初值0 
  10.     __m128 xfsSum1 = _mm_setzero_ps(); 
  11.     __m128 xfsSum2 = _mm_setzero_ps(); 
  12.     __m128 xfsSum3 = _mm_setzero_ps(); 
  13.     __m128 xfsLoad; // 加载. 
  14.     __m128 xfsLoad1; 
  15.     __m128 xfsLoad2; 
  16.     __m128 xfsLoad3; 
  17.     const float* p = pbuf;  // SSE批量处理时所用的指针. 
  18.     const float* q; // 将SSE变量上的多个数值合并时所用指针. 
  19.  
  20.     // SSE批量处理. 
  21.     for(i=0; i<cntBlock; ++i) 
  22.     { 
  23.         xfsLoad = _mm_load_ps(p);   // [SSE] 加载. 
  24.         xfsLoad1 = _mm_load_ps(p+4); 
  25.         xfsLoad2 = _mm_load_ps(p+8); 
  26.         xfsLoad3 = _mm_load_ps(p+12); 
  27.         xfsSum = _mm_add_ps(xfsSum, xfsLoad);   // [SSE] 单精浮点紧缩加法 
  28.         xfsSum1 = _mm_add_ps(xfsSum1, xfsLoad1); 
  29.         xfsSum2 = _mm_add_ps(xfsSum2, xfsLoad2); 
  30.         xfsSum3 = _mm_add_ps(xfsSum3, xfsLoad3); 
  31.         p += nBlockWidth; 
  32.     } 
  33.     // 合并. 
  34.     xfsSum = _mm_add_ps(xfsSum, xfsSum1);   // 两两合并(0~1). 
  35.     xfsSum2 = _mm_add_ps(xfsSum2, xfsSum3); // 两两合并(2~3). 
  36.     xfsSum = _mm_add_ps(xfsSum, xfsSum2);   // 两两合并(0~3). 
  37.     q = (const float*)&xfsSum; 
  38.     s = q[0] + q[1] + q[2] + q[3]; 
  39.  
  40.     // 处理剩下的. 
  41.     for(i=0; i<cntRem; ++i) 
  42.     { 
  43.         s += p[i]; 
  44.     } 
  45.  
  46.     return s; 
  47. } 



2.4 AVX版

2.4.1 AVX普通版

　　AVX寄存器是256位的，对应__m256类型，它能一次能处理8个单精度浮点数。
　　很多AVX指令要求内存地址按32字节对齐。本文为了简化，假定浮点数组的首地址是总是32字节对齐的，仅需要考虑数组长度不是8的整数倍问题。
　　因使用了AVX Intrinsic函数，我们可以根据zintrin.h所提供的INTRIN_AVX宏进行条件编译。

　　代码如下——

[cpp] view plaincopyprint?
  1. #ifdef INTRIN_AVX 
  2. // 单精度浮点数组求和_AVX版. 
  3. float sumfloat_avx(const float* pbuf, size_t cntbuf) 
  4. { 
  5.     float s = 0;    // 求和变量. 
  6.     size_t i; 
  7.     size_t nBlockWidth = 8; // 块宽. AVX寄存器能一次处理8个float. 
  8.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  9.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  10.     __m256 yfsSum = _mm256_setzero_ps();    // 求和变量。[AVX] 赋初值0 
  11.     __m256 yfsLoad; // 加载. 
  12.     const float* p = pbuf;  // AVX批量处理时所用的指针. 
  13.     const float* q; // 将AVX变量上的多个数值合并时所用指针. 
  14.  
  15.     // AVX批量处理. 
  16.     for(i=0; i<cntBlock; ++i) 
  17.     { 
  18.         yfsLoad = _mm256_load_ps(p);    // [AVX] 加载 
  19.         yfsSum = _mm256_add_ps(yfsSum, yfsLoad);    // [AVX] 单精浮点紧缩加法 
  20.         p += nBlockWidth; 
  21.     } 
  22.     // 合并. 
  23.     q = (const float*)&yfsSum; 
  24.     s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7]; 
  25.  
  26.     // 处理剩下的. 
  27.     for(i=0; i<cntRem; ++i) 
  28.     { 
  29.         s += p[i]; 
  30.     } 
  31.  
  32.     return s; 
  33. } 
  34.  
  35. #endif  // #ifdef INTRIN_AVX 


　　由上可见，将SSE Intrinsic代码（sumfloat_sse）升级为 AVX Intrinsic代码（sumfloat_avx）是很容易的——
1. 升级数据类型，将__m128升级成了__m256。
2. 升级Intrinsic函数，在函数名中加入255。例如_mm_setzero_ps、_mm_load_ps、_mm_add_ps，对应的AVX版函数是 _mm256_setzero_ps、_mm256_load_ps、_mm256_add_ps。
3. 因位宽翻倍，地址计算与数据合并的代码需稍加改动。

　　当使用VC2010编译含有AVX的代码时，VC会提醒你——
warning C4752: 发现 Intel(R) 高级矢量扩展；请考虑使用 /arch:AVX

　　目前“/arch:AVX”尚未整合到项目属性的“C++\代码生成\启用增强指令集”中，需要手动在项目属性的“C++\命令行”的附加选项中加上“/arch:AVX”——

详见MSDN——
http://msdn.microsoft.com/zh-cn/library/7t5yh4fd(v=vs.100).aspx
在 Visual Studio 中设置 /arch:AVX 编译器选项
1.打开项目的“属性页”对话框。 有关更多信息，请参见 如何：打开项目属性页。
2.单击“C/C++”文件夹。
3.单击“命令行”属性页。
4.在“附加选项”框中添加 /arch:AVX。


2.4.2 AVX四路循环展开版

　　同样的，我们可以编写AVX四路循环展开版——

[cpp] view plaincopyprint?
  1. // 单精度浮点数组求和_AVX四路循环展开版. 
  2. float sumfloat_avx_4loop(const float* pbuf, size_t cntbuf) 
  3. { 
  4.     float s = 0;    // 求和变量. 
  5.     size_t i; 
  6.     size_t nBlockWidth = 8*4;   // 块宽. AVX寄存器能一次处理8个float，然后循环展开4次. 
  7.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  8.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  9.     __m256 yfsSum = _mm256_setzero_ps();    // 求和变量。[AVX] 赋初值0 
  10.     __m256 yfsSum1 = _mm256_setzero_ps(); 
  11.     __m256 yfsSum2 = _mm256_setzero_ps(); 
  12.     __m256 yfsSum3 = _mm256_setzero_ps(); 
  13.     __m256 yfsLoad; // 加载. 
  14.     __m256 yfsLoad1; 
  15.     __m256 yfsLoad2; 
  16.     __m256 yfsLoad3; 
  17.     const float* p = pbuf;  // AVX批量处理时所用的指针. 
  18.     const float* q; // 将AVX变量上的多个数值合并时所用指针. 
  19.  
  20.     // AVX批量处理. 
  21.     for(i=0; i<cntBlock; ++i) 
  22.     { 
  23.         yfsLoad = _mm256_load_ps(p);    // [AVX] 加载. 
  24.         yfsLoad1 = _mm256_load_ps(p+8); 
  25.         yfsLoad2 = _mm256_load_ps(p+16); 
  26.         yfsLoad3 = _mm256_load_ps(p+24); 
  27.         yfsSum = _mm256_add_ps(yfsSum, yfsLoad);    // [AVX] 单精浮点紧缩加法 
  28.         yfsSum1 = _mm256_add_ps(yfsSum1, yfsLoad1); 
  29.         yfsSum2 = _mm256_add_ps(yfsSum2, yfsLoad2); 
  30.         yfsSum3 = _mm256_add_ps(yfsSum3, yfsLoad3); 
  31.         p += nBlockWidth; 
  32.     } 
  33.     // 合并. 
  34.     yfsSum = _mm256_add_ps(yfsSum, yfsSum1);    // 两两合并(0~1). 
  35.     yfsSum2 = _mm256_add_ps(yfsSum2, yfsSum3);  // 两两合并(2~3). 
  36.     yfsSum = _mm256_add_ps(yfsSum, yfsSum2);    // 两两合并(0~3). 
  37.     q = (const float*)&yfsSum; 
  38.     s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7]; 
  39.  
  40.     // 处理剩下的. 
  41.     for(i=0; i<cntRem; ++i) 
  42.     { 
  43.         s += p[i]; 
  44.     } 
  45.  
  46.     return s; 
  47. } 


2.5 测试框架

2.5.1 测试所用的数组

　　首先考虑一下测试所用的数组的长度应该是多少比较好。
　　为了避免内存带宽问题，这个数组最好能放在L1 Data Cache中。现在的处理器的L1 Data Cache一般是32KB，为了保险最好再除以2，那么数组的长度应该是 32KB/(2*sizeof(float))=4096。
　　其次考虑内存对齐问题，avx要求32字节对齐。我们可以定义一个ATTR_ALIGN宏来统一处理变量的内存对齐问题。
　　该数组定义如下——

[cpp] view plaincopyprint?
  1. // 变量对齐. 
  2. #ifndef ATTR_ALIGN 
  3. #  if defined(__GNUC__) // GCC 
  4. #    define ATTR_ALIGN(n)   __attribute__((aligned(n))) 
  5. #  else // 否则使用VC格式. 
  6. #    define ATTR_ALIGN(n)   __declspec(align(n)) 
  7. #  endif 
  8. #endif  // #ifndef ATTR_ALIGN 
  9.  
  10.  
  11. #define BUFSIZE 4096    // = 32KB{L1 Cache} / (2 * sizeof(float)) 
  12. ATTR_ALIGN(32) float buf[BUFSIZE]; 



2.5.2 测试函数

　　如果为每一个函数都编写一套测试代码，那不仅代码量大，而且不易维护。
　　可以考虑利用函数指针来实现一套测试框架。
　　因sumfloat_base等函数的签名是一致的，于是可以定义这样的一种函数指针——
// 测试时的函数类型
typedef float (*TESTPROC)(const float* pbuf, size_t cntbuf);

　　然后再编写一个对TESTPROC函数指针进行测试的函数——

[cpp] view plaincopyprint?
  1. // 进行测试 
  2. void runTest(const char* szname, TESTPROC proc) 
  3. { 
  4.     const int testloop = 4000;  // 重复运算几次延长时间，避免计时精度问题. 
  5.     const clock_t TIMEOUT = CLOCKS_PER_SEC/2;   // 最短测试时间. 
  6.     int i,j,k; 
  7.     clock_t tm0, dt;    // 存储时间. 
  8.     double mps; // M/s. 
  9.     double mps_good = 0;    // 最佳M/s. 因线程切换会导致的数值波动, 于是选取最佳值. 
  10.     volatile float n=0; // 避免内循环被优化. 
  11.     for(i=1; i<=3; ++i)  // 多次测试. 
  12.     { 
  13.         tm0 = clock(); 
  14.         // main 
  15.         k=0; 
  16.         do 
  17.         { 
  18.             for(j=1; j<=testloop; ++j)   // 重复运算几次延长时间，避免计时开销带来的影响. 
  19.             { 
  20.                 n = proc(buf, BUFSIZE); // 避免内循环被编译优化消掉. 
  21.             } 
  22.             ++k; 
  23.             dt = clock() - tm0; 
  24.         }while(dt<TIMEOUT); 
  25.         // show 
  26.         mps = (double)k*testloop*BUFSIZE*CLOCKS_PER_SEC/(1024.0*1024.0*dt); // k*testloop*BUFSIZE/(1024.0*1024.0) 将数据规模换算为M，然后再乘以 CLOCKS_PER_SEC/dt 换算为M/s . 
  27.         if (mps_good<mps)    mps_good=mps;   // 选取最佳值. 
  28.         //printf("%s:\t%.0f M/s\t//%f\n", szname, mps, n); 
  29.     } 
  30.     printf("%s:\t%.0f M/s\t//%f\n", szname, mps_good, n); 
  31. } 


　　j是最内层的循环，负责多次调用TESTPROC函数指针。如果每调用一次TESTPROC函数指针后又调用clock函数，那会带来较大的计时开销，影响评测成绩。
　　k循环负责检测超时。当发现超过预定时限，便计算mps，即每秒钟处理了多少百万个单精度浮点数。然后存储最佳的mps。
　　i是最外层循环的循环变量，循环3次然后报告最佳值。


2.5.3 进行测试

　　在进行测试之前，需要对buf数组进行初始化，将数组元素赋随机值——

[cpp] view plaincopyprint?
  1. // init buf 
  2. srand( (unsigned)time( NULL ) ); 
  3. for (i = 0; i < BUFSIZE; i++) buf[i] = (float)(rand() & 0x3f);   // 使用&0x3f是为了让求和后的数值不会超过float类型的有效位数，便于观察结果是否正确. 


　　然后可以开始测试了——

[cpp] view plaincopyprint?
  1.     // test 
  2.     runTest("sumfloat_base", sumfloat_base);    // 单精度浮点数组求和_基本版. 
  3. #ifdef INTRIN_SSE 
  4.     if (simd_sse_level(NULL) >= SIMD_SSE_1) 
  5.     { 
  6.         runTest("sumfloat_sse", sumfloat_sse);  // 单精度浮点数组求和_SSE版. 
  7.         runTest("sumfloat_sse_4loop", sumfloat_sse_4loop);  // 单精度浮点数组求和_SSE四路循环展开版. 
  8.     } 
  9. #endif  // #ifdef INTRIN_SSE 
  10. #ifdef INTRIN_AVX 
  11.     if (simd_avx_level(NULL) >= SIMD_AVX_1) 
  12.     { 
  13.         runTest("sumfloat_avx", sumfloat_avx);  // 单精度浮点数组求和_SSE版. 
  14.         runTest("sumfloat_avx_4loop", sumfloat_avx_4loop);  // 单精度浮点数组求和_SSE四路循环展开版. 
  15.     } 
  16. #endif  // #ifdef INTRIN_AVX 



2.6 杂项

　　为了方便对比测试，可以在程序启动时显示程序版本、编译器名称、CPU型号信息。即在main函数中加上——

[cpp] view plaincopyprint?
  1. char szBuf[64]; 
  2. int i; 
  3.  
  4. printf("simdsumfloat v1.00 (%dbit)\n", INTRIN_WORDSIZE); 
  5. printf("Compiler: %s\n", COMPILER_NAME); 
  6. cpu_getbrand(szBuf); 
  7. printf("CPU:\t%s\n", szBuf); 
  8. printf("\n"); 


　　INTRIN_WORDSIZE 宏是 zintrin.h 提供的，为当前机器的字长。
　　cpu_getbrand是 ccpuid.h 提供的，用于获得CPU型号字符串。
　　COMPILER_NAME 是一个用来获得编译器名称的宏，它的详细定义是——

[cpp] view plaincopyprint?
  1. // Compiler name 
  2. #define MACTOSTR(x) #x 
  3. #define MACROVALUESTR(x)    MACTOSTR(x) 
  4. #if defined(__ICL)  // Intel C++ 
  5. #  if defined(__VERSION__) 
  6. #    define COMPILER_NAME   "Intel C++ " __VERSION__ 
  7. #  elif defined(__INTEL_COMPILER_BUILD_DATE) 
  8. #    define COMPILER_NAME   "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")" 
  9. #  else 
  10. #    define COMPILER_NAME   "Intel C++" 
  11. #  endif    // #  if defined(__VERSION__) 
  12. #elif defined(_MSC_VER) // Microsoft VC++ 
  13. #  if defined(_MSC_FULL_VER) 
  14. #    define COMPILER_NAME   "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")" 
  15. #  elif defined(_MSC_VER) 
  16. #    define COMPILER_NAME   "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")" 
  17. #  else 
  18. #    define COMPILER_NAME   "Microsoft VC++" 
  19. #  endif    // #  if defined(_MSC_FULL_VER) 
  20. #elif defined(__GNUC__) // GCC 
  21. #  if defined(__CYGWIN__) 
  22. #    define COMPILER_NAME   "GCC(Cygmin) " __VERSION__ 
  23. #  elif defined(__MINGW32__) 
  24. #    define COMPILER_NAME   "GCC(MinGW) " __VERSION__ 
  25. #  else 
  26. #    define COMPILER_NAME   "GCC " __VERSION__ 
  27. #  endif    // #  if defined(_MSC_FULL_VER) 
  28. #else 
  29. #  define COMPILER_NAME "Unknown Compiler" 
  30. #endif  // #if defined(__ICL)   // Intel C++ 


三、全部代码

3.1 simdsumfloat.c

　　全部代码——

[cpp] view plaincopyprint?
  1. #define __STDC_LIMIT_MACROS 1   // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.] 
  2.  
  3. #include <stdlib.h> 
  4. #include <stdio.h> 
  5. #include <time.h> 
  6.  
  7. #include "zintrin.h" 
  8. #include "ccpuid.h" 
  9.  
  10.  
  11. // Compiler name 
  12. #define MACTOSTR(x) #x 
  13. #define MACROVALUESTR(x)    MACTOSTR(x) 
  14. #if defined(__ICL)  // Intel C++ 
  15. #  if defined(__VERSION__) 
  16. #    define COMPILER_NAME   "Intel C++ " __VERSION__ 
  17. #  elif defined(__INTEL_COMPILER_BUILD_DATE) 
  18. #    define COMPILER_NAME   "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")" 
  19. #  else 
  20. #    define COMPILER_NAME   "Intel C++" 
  21. #  endif    // #  if defined(__VERSION__) 
  22. #elif defined(_MSC_VER) // Microsoft VC++ 
  23. #  if defined(_MSC_FULL_VER) 
  24. #    define COMPILER_NAME   "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")" 
  25. #  elif defined(_MSC_VER) 
  26. #    define COMPILER_NAME   "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")" 
  27. #  else 
  28. #    define COMPILER_NAME   "Microsoft VC++" 
  29. #  endif    // #  if defined(_MSC_FULL_VER) 
  30. #elif defined(__GNUC__) // GCC 
  31. #  if defined(__CYGWIN__) 
  32. #    define COMPILER_NAME   "GCC(Cygmin) " __VERSION__ 
  33. #  elif defined(__MINGW32__) 
  34. #    define COMPILER_NAME   "GCC(MinGW) " __VERSION__ 
  35. #  else 
  36. #    define COMPILER_NAME   "GCC " __VERSION__ 
  37. #  endif    // #  if defined(_MSC_FULL_VER) 
  38. #else 
  39. #  define COMPILER_NAME "Unknown Compiler" 
  40. #endif  // #if defined(__ICL)   // Intel C++ 
  41.  
  42.  
  43. ////////////////////////////////////////////////// 
  44. // sumfloat: 单精度浮点数组求和的函数 
  45. ////////////////////////////////////////////////// 
  46.  
  47. // 单精度浮点数组求和_基本版. 
  48. // 
  49. // result: 返回数组求和结果. 
  50. // pbuf: 数组的首地址. 
  51. // cntbuf: 数组长度. 
  52. float sumfloat_base(const float* pbuf, size_t cntbuf) 
  53. { 
  54.     float s = 0;    // 求和变量. 
  55.     size_t i; 
  56.     for(i=0; i<cntbuf; ++i) 
  57.     { 
  58.         s += pbuf[i]; 
  59.     } 
  60.     return s; 
  61. } 
  62.  
  63. #ifdef INTRIN_SSE 
  64. // 单精度浮点数组求和_SSE版. 
  65. float sumfloat_sse(const float* pbuf, size_t cntbuf) 
  66. { 
  67.     float s = 0;    // 求和变量. 
  68.     size_t i; 
  69.     size_t nBlockWidth = 4; // 块宽. SSE寄存器能一次处理4个float. 
  70.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  71.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  72.     __m128 xfsSum = _mm_setzero_ps();   // 求和变量。[SSE] 赋初值0 
  73.     __m128 xfsLoad; // 加载. 
  74.     const float* p = pbuf;  // SSE批量处理时所用的指针. 
  75.     const float* q; // 将SSE变量上的多个数值合并时所用指针. 
  76.  
  77.     // SSE批量处理. 
  78.     for(i=0; i<cntBlock; ++i) 
  79.     { 
  80.         xfsLoad = _mm_load_ps(p);   // [SSE] 加载 
  81.         xfsSum = _mm_add_ps(xfsSum, xfsLoad);   // [SSE] 单精浮点紧缩加法 
  82.         p += nBlockWidth; 
  83.     } 
  84.     // 合并. 
  85.     q = (const float*)&xfsSum; 
  86.     s = q[0] + q[1] + q[2] + q[3]; 
  87.  
  88.     // 处理剩下的. 
  89.     for(i=0; i<cntRem; ++i) 
  90.     { 
  91.         s += p[i]; 
  92.     } 
  93.  
  94.     return s; 
  95. } 
  96.  
  97. // 单精度浮点数组求和_SSE四路循环展开版. 
  98. float sumfloat_sse_4loop(const float* pbuf, size_t cntbuf) 
  99. { 
  100.     float s = 0;    // 返回值. 
  101.     size_t i; 
  102.     size_t nBlockWidth = 4*4;   // 块宽. SSE寄存器能一次处理4个float，然后循环展开4次. 
  103.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  104.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  105.     __m128 xfsSum = _mm_setzero_ps();   // 求和变量。[SSE] 赋初值0 
  106.     __m128 xfsSum1 = _mm_setzero_ps(); 
  107.     __m128 xfsSum2 = _mm_setzero_ps(); 
  108.     __m128 xfsSum3 = _mm_setzero_ps(); 
  109.     __m128 xfsLoad; // 加载. 
  110.     __m128 xfsLoad1; 
  111.     __m128 xfsLoad2; 
  112.     __m128 xfsLoad3; 
  113.     const float* p = pbuf;  // SSE批量处理时所用的指针. 
  114.     const float* q; // 将SSE变量上的多个数值合并时所用指针. 
  115.  
  116.     // SSE批量处理. 
  117.     for(i=0; i<cntBlock; ++i) 
  118.     { 
  119.         xfsLoad = _mm_load_ps(p);   // [SSE] 加载. 
  120.         xfsLoad1 = _mm_load_ps(p+4); 
  121.         xfsLoad2 = _mm_load_ps(p+8); 
  122.         xfsLoad3 = _mm_load_ps(p+12); 
  123.         xfsSum = _mm_add_ps(xfsSum, xfsLoad);   // [SSE] 单精浮点紧缩加法 
  124.         xfsSum1 = _mm_add_ps(xfsSum1, xfsLoad1); 
  125.         xfsSum2 = _mm_add_ps(xfsSum2, xfsLoad2); 
  126.         xfsSum3 = _mm_add_ps(xfsSum3, xfsLoad3); 
  127.         p += nBlockWidth; 
  128.     } 
  129.     // 合并. 
  130.     xfsSum = _mm_add_ps(xfsSum, xfsSum1);   // 两两合并(0~1). 
  131.     xfsSum2 = _mm_add_ps(xfsSum2, xfsSum3); // 两两合并(2~3). 
  132.     xfsSum = _mm_add_ps(xfsSum, xfsSum2);   // 两两合并(0~3). 
  133.     q = (const float*)&xfsSum; 
  134.     s = q[0] + q[1] + q[2] + q[3]; 
  135.  
  136.     // 处理剩下的. 
  137.     for(i=0; i<cntRem; ++i) 
  138.     { 
  139.         s += p[i]; 
  140.     } 
  141.  
  142.     return s; 
  143. } 
  144. #endif  // #ifdef INTRIN_SSE 
  145.  
  146.  
  147. #ifdef INTRIN_AVX 
  148. // 单精度浮点数组求和_AVX版. 
  149. float sumfloat_avx(const float* pbuf, size_t cntbuf) 
  150. { 
  151.     float s = 0;    // 求和变量. 
  152.     size_t i; 
  153.     size_t nBlockWidth = 8; // 块宽. AVX寄存器能一次处理8个float. 
  154.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  155.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  156.     __m256 yfsSum = _mm256_setzero_ps();    // 求和变量。[AVX] 赋初值0 
  157.     __m256 yfsLoad; // 加载. 
  158.     const float* p = pbuf;  // AVX批量处理时所用的指针. 
  159.     const float* q; // 将AVX变量上的多个数值合并时所用指针. 
  160.  
  161.     // AVX批量处理. 
  162.     for(i=0; i<cntBlock; ++i) 
  163.     { 
  164.         yfsLoad = _mm256_load_ps(p);    // [AVX] 加载 
  165.         yfsSum = _mm256_add_ps(yfsSum, yfsLoad);    // [AVX] 单精浮点紧缩加法 
  166.         p += nBlockWidth; 
  167.     } 
  168.     // 合并. 
  169.     q = (const float*)&yfsSum; 
  170.     s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7]; 
  171.  
  172.     // 处理剩下的. 
  173.     for(i=0; i<cntRem; ++i) 
  174.     { 
  175.         s += p[i]; 
  176.     } 
  177.  
  178.     return s; 
  179. } 
  180.  
  181. // 单精度浮点数组求和_AVX四路循环展开版. 
  182. float sumfloat_avx_4loop(const float* pbuf, size_t cntbuf) 
  183. { 
  184.     float s = 0;    // 求和变量. 
  185.     size_t i; 
  186.     size_t nBlockWidth = 8*4;   // 块宽. AVX寄存器能一次处理8个float，然后循环展开4次. 
  187.     size_t cntBlock = cntbuf / nBlockWidth; // 块数. 
  188.     size_t cntRem = cntbuf % nBlockWidth;   // 剩余数量. 
  189.     __m256 yfsSum = _mm256_setzero_ps();    // 求和变量。[AVX] 赋初值0 
  190.     __m256 yfsSum1 = _mm256_setzero_ps(); 
  191.     __m256 yfsSum2 = _mm256_setzero_ps(); 
  192.     __m256 yfsSum3 = _mm256_setzero_ps(); 
  193.     __m256 yfsLoad; // 加载. 
  194.     __m256 yfsLoad1; 
  195.     __m256 yfsLoad2; 
  196.     __m256 yfsLoad3; 
  197.     const float* p = pbuf;  // AVX批量处理时所用的指针. 
  198.     const float* q; // 将AVX变量上的多个数值合并时所用指针. 
  199.  
  200.     // AVX批量处理. 
  201.     for(i=0; i<cntBlock; ++i) 
  202.     { 
  203.         yfsLoad = _mm256_load_ps(p);    // [AVX] 加载. 
  204.         yfsLoad1 = _mm256_load_ps(p+8); 
  205.         yfsLoad2 = _mm256_load_ps(p+16); 
  206.         yfsLoad3 = _mm256_load_ps(p+24); 
  207.         yfsSum = _mm256_add_ps(yfsSum, yfsLoad);    // [AVX] 单精浮点紧缩加法 
  208.         yfsSum1 = _mm256_add_ps(yfsSum1, yfsLoad1); 
  209.         yfsSum2 = _mm256_add_ps(yfsSum2, yfsLoad2); 
  210.         yfsSum3 = _mm256_add_ps(yfsSum3, yfsLoad3); 
  211.         p += nBlockWidth; 
  212.     } 
  213.     // 合并. 
  214.     yfsSum = _mm256_add_ps(yfsSum, yfsSum1);    // 两两合并(0~1). 
  215.     yfsSum2 = _mm256_add_ps(yfsSum2, yfsSum3);  // 两两合并(2~3). 
  216.     yfsSum = _mm256_add_ps(yfsSum, yfsSum2);    // 两两合并(0~3). 
  217.     q = (const float*)&yfsSum; 
  218.     s = q[0] + q[1] + q[2] + q[3] + q[4] + q[5] + q[6] + q[7]; 
  219.  
  220.     // 处理剩下的. 
  221.     for(i=0; i<cntRem; ++i) 
  222.     { 
  223.         s += p[i]; 
  224.     } 
  225.  
  226.     return s; 
  227. } 
  228.  
  229. #endif  // #ifdef INTRIN_AVX 
  230.  
  231.  
  232.  
  233. ////////////////////////////////////////////////// 
  234. // main 
  235. ////////////////////////////////////////////////// 
  236.  
  237. // 变量对齐. 
  238. #ifndef ATTR_ALIGN 
  239. #  if defined(__GNUC__) // GCC 
  240. #    define ATTR_ALIGN(n)   __attribute__((aligned(n))) 
  241. #  else // 否则使用VC格式. 
  242. #    define ATTR_ALIGN(n)   __declspec(align(n)) 
  243. #  endif 
  244. #endif  // #ifndef ATTR_ALIGN 
  245.  
  246.  
  247. #define BUFSIZE 4096    // = 32KB{L1 Cache} / (2 * sizeof(float)) 
  248. ATTR_ALIGN(32) float buf[BUFSIZE]; 
  249.  
  250. // 测试时的函数类型 
  251. typedef float (*TESTPROC)(const float* pbuf, size_t cntbuf); 
  252.  
  253. // 进行测试 
  254. void runTest(const char* szname, TESTPROC proc) 
  255. { 
  256.     const int testloop = 4000;  // 重复运算几次延长时间，避免计时精度问题. 
  257.     const clock_t TIMEOUT = CLOCKS_PER_SEC/2;   // 最短测试时间. 
  258.     int i,j,k; 
  259.     clock_t tm0, dt;    // 存储时间. 
  260.     double mps; // M/s. 
  261.     double mps_good = 0;    // 最佳M/s. 因线程切换会导致的数值波动, 于是选取最佳值. 
  262.     volatile float n=0; // 避免内循环被优化. 
  263.     for(i=1; i<=3; ++i)  // 多次测试. 
  264.     { 
  265.         tm0 = clock(); 
  266.         // main 
  267.         k=0; 
  268.         do 
  269.         { 
  270.             for(j=1; j<=testloop; ++j)   // 重复运算几次延长时间，避免计时开销带来的影响. 
  271.             { 
  272.                 n = proc(buf, BUFSIZE); // 避免内循环被编译优化消掉. 
  273.             } 
  274.             ++k; 
  275.             dt = clock() - tm0; 
  276.         }while(dt<TIMEOUT); 
  277.         // show 
  278.         mps = (double)k*testloop*BUFSIZE*CLOCKS_PER_SEC/(1024.0*1024.0*dt); // k*testloop*BUFSIZE/(1024.0*1024.0) 将数据规模换算为M，然后再乘以 CLOCKS_PER_SEC/dt 换算为M/s . 
  279.         if (mps_good<mps)    mps_good=mps;   // 选取最佳值. 
  280.         //printf("%s:\t%.0f M/s\t//%f\n", szname, mps, n); 
  281.     } 
  282.     printf("%s:\t%.0f M/s\t//%f\n", szname, mps_good, n); 
  283. } 
  284.  
  285. int main(int argc, char* argv[]) 
  286. { 
  287.     char szBuf[64]; 
  288.     int i; 
  289.  
  290.     printf("simdsumfloat v1.00 (%dbit)\n", INTRIN_WORDSIZE); 
  291.     printf("Compiler: %s\n", COMPILER_NAME); 
  292.     cpu_getbrand(szBuf); 
  293.     printf("CPU:\t%s\n", szBuf); 
  294.     printf("\n"); 
  295.  
  296.     // init buf 
  297.     srand( (unsigned)time( NULL ) ); 
  298.     for (i = 0; i < BUFSIZE; i++) buf[i] = (float)(rand() & 0x3f);   // 使用&0x3f是为了让求和后的数值不会超过float类型的有效位数，便于观察结果是否正确. 
  299.  
  300.     // test 
  301.     runTest("sumfloat_base", sumfloat_base);    // 单精度浮点数组求和_基本版. 
  302. #ifdef INTRIN_SSE 
  303.     if (simd_sse_level(NULL) >= SIMD_SSE_1) 
  304.     { 
  305.         runTest("sumfloat_sse", sumfloat_sse);  // 单精度浮点数组求和_SSE版. 
  306.         runTest("sumfloat_sse_4loop", sumfloat_sse_4loop);  // 单精度浮点数组求和_SSE四路循环展开版. 
  307.     } 
  308. #endif  // #ifdef INTRIN_SSE 
  309. #ifdef INTRIN_AVX 
  310.     if (simd_avx_level(NULL) >= SIMD_AVX_1) 
  311.     { 
  312.         runTest("sumfloat_avx", sumfloat_avx);  // 单精度浮点数组求和_AVX版. 
  313.         runTest("sumfloat_avx_4loop", sumfloat_avx_4loop);  // 单精度浮点数组求和_AVX四路循环展开版. 
  314.     } 
  315. #endif  // #ifdef INTRIN_AVX 
  316.  
  317.     return 0; 
  318. } 



3.2 makefile

　　全部代码——

[plain] view plaincopyprint?
  1. # flags 
  2. CC = g++ 
  3. CFS = -Wall -msse 
  4.  
  5. # args 
  6. RELEASE =0 
  7. BITS = 
  8. CFLAGS = 
  9.  
  10. # [args] 生成模式. 0代表debug模式, 1代表release模式. make RELEASE=1. 
  11. ifeq ($(RELEASE),0) 
  12.     # debug 
  13.     CFS += -g 
  14. else 
  15.     # release 
  16.     CFS += -O3 -DNDEBUG 
  17.     //CFS += -O3 -g -DNDEBUG 
  18. endif 
  19.  
  20. # [args] 程序位数. 32代表32位程序, 64代表64位程序, 其他默认. make BITS=32. 
  21. ifeq ($(BITS),32) 
  22.     CFS += -m32 
  23. else 
  24.     ifeq ($(BITS),64) 
  25.         CFS += -m64 
  26.     else 
  27.     endif 
  28. endif 
  29.  
  30. # [args] 使用 CFLAGS 添加新的参数. make CFLAGS="-mavx". 
  31. CFS += $(CFLAGS) 
  32.  
  33.  
  34. .PHONY : all clean 
  35.  
  36. # files 
  37. TARGETS = simdsumfloat 
  38. OBJS = simdsumfloat.o 
  39.  
  40. all : $(TARGETS) 
  41.  
  42. simdsumfloat : $(OBJS) 
  43.     $(CC) $(CFS) -o $@ $^ 
  44.  
  45.  
  46. simdsumfloat.o : simdsumfloat.c zintrin.h ccpuid.h 
  47.     $(CC) $(CFS) -c $< 
  48.  
  49.  
  50. clean : 
  51.     rm -f $(OBJS) $(TARGETS) $(addsuffix .exe,$(TARGETS)) 



四、编译测试

4.1 编译

　　在以下编译器中成功编译——
VC6：x86版。
VC2003：x86版。
VC2005：x86版。
VC2010：x86版、x64版。
GCC 4.7.0（Fedora 17 x64）：x86版、x64版。
GCC 4.6.2（MinGW(20120426)）：x86版。
GCC 4.7.1（TDM-GCC(MinGW-w64)）：x86版、x64版。
llvm-gcc-4.2（Mac OS X Lion 10.7.4, Xcode 4.4.1）：x86版、x64版。



4.2 测试

　　因虚拟机上的有效率损失，于是仅在真实系统上进行测试。

　　系统环境——
CPU：Intel(R) Core(TM) i3-2310M CPU @ 2.10GHz
操作系统：Windows 7 SP1 x64版

　　然后分别运行VC与GCC编译的Release版可执行文件，即以下4个程序——
exe\simdsumfloat_vc32.exe：VC2010 SP1 编译的32位程序，/O2 /arch:SSE2。
exe\simdsumfloat_vc64.exe：VC2010 SP1 编译的64位程序，/O2 /arch:AVX。
exe\simdsumfloat_gcc32.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)） 编译的32位程序，-O3 -mavx。
exe\simdsumfloat_gcc64.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)） 编译的64位程序，-O3 -mavx。

　　测试结果（使用cmdarg_ui）——

参考文献——
《Intel® 64 and IA-32 Architectures Software Developer’s Manual Combined Volumes:1, 2A, 2B, 2C, 3A, 3B, and 3C》044US. August 2012.http://www.intel.com/content/www/us/en/processors/architectures-software-developer-manuals.html
《Intel® Architecture Instruction Set Extensions Programming Reference》014. AUGUST 2012.http://software.intel.com/en-us/avx/
《AMD64 Architecture Programmer’s Manual Volume 4: 128-Bit and 256-Bit Media Instructions》. December 2011.http://developer.amd.com/documentation/guides/Pages/default.aspx#manuals
《[C] 让VC、BCB支持C99的整数类型（stdint.h、inttypes.h）（兼容GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/08/c99int.html
《[C] zintrin.h: 智能引入intrinsic函数 V1.01版。改进对Mac OS X的支持，增加INTRIN_WORDSIZE宏》. http://www.cnblogs.com/zyl910/archive/2012/10/01/zintrin_v101.html
《[C/C++] ccpuid：CPUID信息模块 V1.03版，改进mmx/sse指令可用性检查（使用signal、setjmp，支持纯C）、修正AVX检查Bug》.http://www.cnblogs.com/zyl910/archive/2012/10/13/ccpuid_v103.html
《[x86]SIMD指令集发展历程表（MMX、SSE、AVX等）》. http://www.cnblogs.com/zyl910/archive/2012/02/26/x86_simd_table.html
《SIMD（MMX/SSE/AVX）变量命名规范心得》. http://www.cnblogs.com/zyl910/archive/2012/04/23/simd_var_name.html
《GCC 64位程序的makefile条件编译心得——32位版与64位版、debug版与release版（兼容MinGW、TDM-GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/14/gcc64_make.html
《[C#] cmdarg_ui：“简单参数命令行程序”的通用图形界面》.  http://www.cnblogs.com/zyl910/archive/2012/06/19/cmdarg_ui.html


源码下载——
https://files.cnblogs.com/zyl910/simdsumfloat.rar

原帖地址：http://blog.csdn.net/zyl910/article/details/8100744

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/catkins/p/5270731.html