Попытка преобразования старшего в младший с помощью x86 asm SSSE3 - PullRequest
Новая
       18

Попытка преобразования старшего в младший с помощью x86 asm SSSE3

0 голосов
/ 28 августа 2018

Я какое-то время выполнял arm asm и пытался оптимизировать простые циклы с помощью x86 asm ssse3. Я не могу найти способ преобразовать порядковый номер в обратный.

ARM NEON имеет одну векторную инструкцию, чтобы сделать именно это, а SSSE3 - нет. Я попытался использовать 2 смены и «или», но для этого нужно перейти на 32 бита на слот вместо 16, если мы смещаемся на 8 влево (данные насыщаются).

Я посмотрел в PSHUFB, но когда я его использую, первая половина 16-битного слова всегда равна 0.

Я использую встроенный asm на x86 для Android. Извините за неправильный синтаксис или другие ошибки, которые могут возникнуть, пожалуйста, поймите, что я имею в виду (это трудно вырвать из моего кода). 

# Data
uint16_t dataSrc[] = {0x7000, 0x4401, 0x3801, 0xf002, 0x4800, 0xb802, 0x1800, 
0x3c00, 0xd800.....
uint16_t* src = dataSrc;
uint8_t * dst = new uint8_t[16] = {0};
uint8_t * map = new uint8_t[16] = { 9,8, 11,10, 13,12, 15,14, 1,0,3,2,5,4,7,6,};

# I need to convert 0x7000 to 0x0077 by shifting each 16 bit by its byte vectorized.

asm volatile (
        "movdqu     (%0),%%xmm1\n"
        "pshufb     %2,%%xmm1\n"
        "movdqu     %%xmm1,(%1)\n"
:   "+r" (src),
"+r" (dst),
"+r" (map)
:
:   "memory", "cc", "xmm0", "xmm1", "xmm2", "xmm3", "xmm4"
);

Если я перебираю переменную dataSrc, мои выходные данные для первых 8 байтов: 

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

Меняются только последние 4, даже если они в неправильном порядке. Почему первые 4 все нули? Независимо от того, как я меняю карту, первая иногда равна 0, а следующие 3 всегда равны нулю, почему? Я делаю что-то не так?

Редактировать

Я выяснил, почему это не сработало, карта не прошла корректно во встроенный ассм, мне пришлось освободить для него входную переменную.

По другим вопросам об интрисике и рукописном асме. Приведенный ниже код предназначен для преобразования 16-байтовых данных видеокадра YUV42010BE в YUVP420 (8 бит), проблема в случайном порядке, если я использую переменную с прямым порядком байтов, то у меня не будет этого раздела. 

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"
);

Я еще не дошел до реализации shuffle для встроенных функций, используя little endian 

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;
}

Возможно, написано неправильно, но тестирование на эмуляторе Android (API 27), x86 (SSSE3 - наивысшее, i686) с настройками компилятора по умолчанию и такими дополнительными оптимизациями (хотя и не влияющими на производительность) -Ofast -O3 - funroll-loops -mssse3 -mfpmath = sse в среднем:

Intrinics: 1,9-2,1 мс Рукописные: 0,7-1 мс

Есть ли способ ускорить это? Может быть, я написал интрисику неправильно, возможно ли приблизить скорость к рукописному написанию интриник?

1 Ответ

0 голосов
/ 28 августа 2018

Ваш код не работает, потому что вы передаете адрес map на pshufb. Я не уверен, какой код генерирует gcc для этого, я не могу себе представить, что это компилируется вообще.

Обычно для такой вещи не рекомендуется использовать встроенную сборку. Вместо этого используйте встроенные функции: 

#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);
}

Помимо того, что его проще обслуживать, он оптимизируется лучше, потому что компилятор не похож на встроенную сборку, он может анализировать встроенные функции и принимать обоснованные решения о том, какие инструкции отправлять. Например, на цели AVX он может испускать кодировку VEX vpshufb вместо pshufb, чтобы избежать задержки из-за перехода AVX / SSE.

Если по какой-либо причине вы не можете использовать встроенные функции, используйте встроенную сборку следующим образом: 

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;
}
...