c++ - float ベクトルの SSE リダクション

Question

sse 組み込み関数を使用して float ベクトルの合計要素 (リダクション) を取得するにはどうすればよいですか?

シンプルなシリアルコード:

void(float *input, float &result, unsigned int NumElems)
{
     result = 0;
     for(auto i=0; i<NumElems; ++i)
         result += input[i];
}

Answer 1

通常、ループ内で 4 つの部分合計を生成し、ループ後に 4 つの要素を横方向に合計します。

#include <cassert>
#include <cstdint>
#include <emmintrin.h>

float vsum(const float *a, int n)
{
    float sum;
    __m128 vsum = _mm_set1_ps(0.0f);
    assert((n & 3) == 0);
    assert(((uintptr_t)a & 15) == 0);
    for (int i = 0; i < n; i += 4)
    {
        __m128 v = _mm_load_ps(&a[i]);
        vsum = _mm_add_ps(vsum, v);
    }
    vsum = _mm_hadd_ps(vsum, vsum);
    vsum = _mm_hadd_ps(vsum, vsum);
    _mm_store_ss(&sum, vsum);
    return sum;
}

注: 上記の例では、aは 16 バイトにアラインされてnいる必要があり、4 の倍数である必要があります。 のアラインメントaが保証されない場合は、 の_mm_loadu_ps代わりに_mm_load_ps. nが 4 の倍数であることが保証されていない場合は、関数の最後にスカラー ループを追加して、残りの要素を蓄積します。