網路黑貓 BlackCat on Net / Champ Yen

2017年1月12日星期四

SIMD Introduction 簡報

這份簡報是 2016 下半年的兩場大學 Seminar 邀約所準備的演講投影片
主要內容是各種處理器架構上對於 SIMD 需要的基本知識, 以及優化時需要的考量

Simd programming introduction from Champ Yen

Video Compression Standards - History & Introduction 簡報

這份簡報是由於臺北科技大學的黃士嘉教授的邀約
為了數位電視的實務課程中向學生們介紹 MPEG 相關標準的歷史而所準備

Video Compression Standards - History & Introduction from Champ Yen

2017年1月7日星期六

三個願望一次滿足的 libdispatch (Grand Central Dispatch) (revised ver)

這篇也是先前在臉書網誌上發表的, 今年再修正一下相關的 issue

====
不可否認, 儘管 POSIX thread 存在已久, 但是其 Programming Model 並不容易讓一般 coder 能夠輕鬆駕馭, 而中間衍生的 data structure 與 interface 也讓許多人頭疼, 然而享有多核平台的好處, 使用 thread 又是必要的.

而綜觀 thread 的用途大致有三:

利用 thread 來利用多核加速 (這也是多數其他 framework 專注的地方)
timer background worker 實作
event multiplexing (用以透過 handler 處理各式 event, 像是 blocked I/O )

Apple 於 2009 年以 Apache License 釋出了 Grand Central Dispatch (GCD) 的原始碼, 透過其 framework 搭配 blocks 的使用, 能一致性地處理上述三個面向的問題。時至今日, 儘管數年過去了, 個人認為 GCD/libdispatch 依然是設計上最出眾的 multi-thread framework.

在 Apple 釋出後不久, 在開放社群的努力下有了 FreeBSD port, 而 Linux 平台上也因Mark Heily的 OpenGCD 專案, 使得 Linux 平台也能夠使用 libdispatch, 在一般 Linux 上, 像是 ubuntu 已有現成包好的 package, 可以透過下列指令安裝

sudo apt-get install libdispatch-dev

然而對於 Linux 平台上的 package, 多數較為老舊 svn197, 若需要比較新的版本可以去官方的 github 抓取最新的 svn685 版本編譯使用

但對於Android 平台上, 若想要使用, 我們可以透過 PSPDFKit-labs 的移植搭配 NDK
以下列步驟來編譯 svn197 版

1. 請於確認與設定好環境具有 NDK, git

2. 建立 libdispatch 工作目錄與 子目錄 jni

$ mkdir -p libdispatch/jni; cd libdispatch/jni

libdispatch

3. 於 jni 目錄下自 PSPDFKit-labs 抓取 blocksruntime, libkqueue 與 libdispatch

$ git clone https://github.com/PSPDFKit-labs/blocksruntime.git
$ git clone https://github.com/PSPDFKit-labs/libkqueue.git
$ git clone https://github.com/PSPDFKit-labs/libdispatch.git

4. 於 jni 下建立 Android.mk 與 Application.mk 內容如下

Application.mk

#APP_ABI := armeabi-v7a

APP_ABI := arm64-v8a

Android.mk:

LOCAL_PATH := $(call my-dir)
include $(CLEAR_VARS)
LOCAL_MODULE := blocksruntime
LOCAL_C_INCLUDES := $(LOCAL_PATH)/blocksruntime
LOCAL_SRC_FILES    := \
    blocksruntime/BlocksRuntime/data.c \
    blocksruntime/BlocksRuntime/runtime.c
include $(BUILD_STATIC_LIBRARY)

include $(CLEAR_VARS)
LOCAL_MODULE := libkqueue
LOCAL_C_INCLUDES := \
    $(LOCAL_PATH)/libkqueue/src/common \
    $(LOCAL_PATH)/libkqueue/android \
    $(LOCAL_PATH)/libkqueue/include
LOCAL_CFLAGS := -std=c99 -D_XOPEN_SOURCE=600 -fvisibility=hidden -DCLANG_TLS_WORKAROUND
LOCAL_SRC_FILES    := \
    libkqueue/src/common/filter.c \
    libkqueue/src/common/knote.c \
    libkqueue/src/common/map.c \
    libkqueue/src/common/kevent.c \
    libkqueue/src/common/kqueue.c \
    libkqueue/src/posix/platform.c \
    libkqueue/src/linux/platform.c \
    libkqueue/src/linux/read.c \
    libkqueue/src/linux/write.c \
    libkqueue/src/linux/user.c \
    libkqueue/src/linux/vnode.c \
    libkqueue/src/linux/timer.c \
    libkqueue/src/posix/signal.c
include $(BUILD_STATIC_LIBRARY)

include $(CLEAR_VARS)
LOCAL_MODULE := libdispatch
LOCAL_C_INCLUDES := $(LOCAL_PATH)/libdispatch/android \
LOCAL_C_INCLUDES += $(LOCAL_PATH)/libdispatch/android/config \
    $(LOCAL_PATH)/libdispatch/ \
    $(LOCAL_PATH)/libdispatch/os \
    $(LOCAL_PATH)/libdispatch/private \
    $(LOCAL_PATH)/libkqueue/include \
    $(LOCAL_PATH)/libpwq/include \
    $(LOCAL_PATH)/blocksruntime/BlocksRuntime
LOCAL_CFLAGS := -fvisibility=hidden -momit-leaf-frame-pointer -fblocks -DHAVE_CONFIG_H
LOCAL_SRC_FILES    := \
    libdispatch/src/apply.c \
    libdispatch/src/benchmark.c \
    libdispatch/src/data.c \
    libdispatch/src/init.c \
    libdispatch/src/io.c \
    libdispatch/src/object.c \
    libdispatch/src/once.c \
    libdispatch/src/queue.c \
    libdispatch/src/semaphore.c \
    libdispatch/src/source.c \
    libdispatch/src/time.c \
    libdispatch/src/transform.c

ifeq ($(TARGET_ARCH_ABI),x86_64)
LOCAL_CFLAGS += -DHAVE_GETPROGNAME
endif
ifeq ($(TARGET_ARCH_ABI),arm64-v8a)
LOCAL_CFLAGS += -DHAVE_GETPROGNAME
endif
ifeq ($(TARGET_ARCH_ABI),armeabi-v7a)
LOCAL_CFLAGS += -DHAVE_VALLOC
endif
LOCAL_STATIC_LIBRARIES := blocksruntime libkqueue
include $(BUILD_SHARED_LIBRARY)

最後於 libdispatch 目錄下透過 ndk-build 指令即可編譯出 libdispatch.so

最後可以測試一下, 這裡我們小修改了, "你也可以寫 SIMD 比寫網頁快"的範例
以 8x8 為轉置單位

void transpose8x8(int *src, int *dst, int w, int h)
{

    int8 row0 = *((int8*)(src)); src+=w;
    int8 row1 = *((int8*)(src)); src+=w;
    int8 row2 = *((int8*)(src)); src+=w;
    int8 row3 = *((int8*)(src)); src+=w;
    int8 row4 = *((int8*)(src)); src+=w;
    int8 row5 = *((int8*)(src)); src+=w;
    int8 row6 = *((int8*)(src)); src+=w;
    int8 row7 = *((int8*)(src));

    int8 tmp0, tmp1, tmp2, tmp3, tmp4, tmp5, tmp6, tmp7;
    tmp0 = (int8){row0.s0, row1.s0, row2.s0, row3.s0, row4.s0, row5.s0, row6.s0, row7.s0};
    tmp1 = (int8){row0.s1, row1.s1, row2.s1, row3.s1, row4.s1, row5.s1, row6.s1, row7.s1};
    tmp2 = (int8){row0.s2, row1.s2, row2.s2, row3.s2, row4.s2, row5.s2, row6.s2, row7.s2};
    tmp3 = (int8){row0.s3, row1.s3, row2.s3, row3.s3, row4.s3, row5.s3, row6.s3, row7.s3};
    tmp4 = (int8){row0.s4, row1.s4, row2.s4, row3.s4, row4.s4, row5.s4, row6.s4, row7.s4};
    tmp5 = (int8){row0.s5, row1.s5, row2.s5, row3.s5, row4.s5, row5.s5, row6.s5, row7.s5};
    tmp6 = (int8){row0.s6, row1.s6, row2.s6, row3.s6, row4.s6, row5.s6, row6.s6, row7.s6};
    tmp7 = (int8){row0.s7, row1.s7, row2.s7, row3.s7, row4.s7, row5.s7, row6.s7, row7.s7};

    *((int8*)(dst)) = tmp0; dst+=h;
    *((int8*)(dst)) = tmp1; dst+=h;
    *((int8*)(dst)) = tmp2; dst+=h;
    *((int8*)(dst)) = tmp3; dst+=h;
    *((int8*)(dst)) = tmp4; dst+=h;
    *((int8*)(dst)) = tmp5; dst+=h;
    *((int8*)(dst)) = tmp6; dst+=h;
    *((int8*)(dst)) = tmp7;
}

void gcd_transpose(dispatch_queue_t queue, dispatch_group_t group, int *src, int *dst, int w, int h)
{
    for(int x = 0; x < w; x+=8){
        dispatch_group_async(
            group,
            queue,
            ^{
                for(int y = 0; y < h; y+=8){
                    transpose8x8(src+y*w+x, dst+x*h+y, w, h);
                }
            }
        );
    }
    dispatch_group_wait(group, DISPATCH_TIME_FOREVER);
}

而 gcd_transpose 的使用方式如下

        dispatch_group_t group = dispatch_group_create();
        dispatch_queue_t queue = dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_HIGH,NULL);
        gcd_transpose(queue, group, src, out1, TEST_W, TEST_H);
        dispatch_release(group);
        dispatch_release(queue);

編譯的方式
* Ubuntu

clang -O3 -fblocks -mavx -mfma -o test test.c -ldispatch -lBlockRuntime

* Android 請使用以上產生的 libdispatch.so 置於 test 的 jni 下, 並於 Android.mk 加入

LOCAL_LDLIBS := -L$(LOCAL_PATH) -ldispatch

個人在 i7-3612QM 上, 速度為單核 1.5X.
Android 上曾以此於 Nexus 9 (四核平台)上做過 memory copy 的測試, 為單核 2.7X.

儘管對 multi-threading programming 熟稔的人使用 libdispatch 與直接使用 pthread 差異落差會感覺其實還好, 但可以觀察到藉由使用 Blocks 的方式, 能夠省去建構用以傳遞各 thread 執行所需資訊的資料結構之必要, 而由於 loop 中的變數值更可以直接取值使用, Blocks 這樣的特性使得執行流程簡潔又同時具有效能的延伸性. 另外在 Android N 之後預設使用 clang 編譯, 即能同夠使用 libdispatch 與 Blocks 來寫出更簡潔好讀兼顧效率的程式碼。

2017年1月6日星期五

你也可以寫 SIMD 比寫網頁還快 - III

如果沒有特別的後續想法
這篇就是系列文的最後一篇
"你也可以寫 SIMD 比寫網頁快" 的精神
不外乎就是簡單快速有效

延續上兩篇在最後想要談的是搭配 clang + OpenCL vector 的進階使用方式
這裡只探討一個問題 : 使用那些基本的運算符號是否就能用上所有的 SIMD 指令?
很明顯的, 答案是不行(否則就不會有這篇啦 XDDDD)

但是如果你知道特定好用的 SIMD 指令該如何套用呢?
舉例來說 ARM NEON 有個特別的指令 VQDMULH
它的用途是將兩個 16/32bit 數值相乘後所產生的 32/64bit 數值, 取其高位的 16/32bit
以 code 表示的話:

int a, b, c;
...
c = sqdmulh(a, b);
// equal-to
int64 tmp;
tmp = a*b;
c = (int)(tmp>>32) ;

這指令對於 NEON 上實作常數的除法, 或是 fixed-point 的實作上很有幫助
這時我們可以這麼做:

int4 va = {0, 1, 2, 3};
int4 vb = {1, 2, 3, 4};
int4 vrab = vqdmulhq_s32(va, vb);

上面的範例中 int32x4_t 為 NEON intrinsics 的 data type
而基本的精神並不是什麼難以理解的事
僅是透過 pointer 作 NEON vector 與 OpenCL vector 的型別替換使用
而在之後要換回使用 OpenCL vector 可以透過一樣的方式轉回
接著我們可以透過 vec.s 觀察 clang code generation 的結果:

        adr     r0, .LCPI2_0
...
        vld1.64 {d16, d17}, [r0:128]
...
        adr     r0, .LCPI2_1
        vld1.64 {d18, d19}, [r0:128]
        vqdmulh.s32     q8, q9, q8

在此為了確認這些暫存器間的關係, 可以參考 (ARMv7) NEON registers
64b 的 (d16,d17) 即為 128b 的 q8
64b 的 (d18,d19) 即為 128b 的 q9
所以可以看到這樣的作法並沒有因此產生多餘的指令
是不是很簡單呢?

在此 "你也可以寫 SIMD 比寫網頁還快" 系列文告一段落

The Power of Prefetching

這篇其實比"你也可以寫 SIMD 比網頁還快"早很多, 其中 I 的部分就是與這篇的 function 比較速度
====

先前在臉書上有分享過 “When Prefetching Works, When It Doesn’t, and Why”這篇 paper, 現在要用實例顯示 prefetching 帶來的效益, 今日使用的範例是 Matrix Transpose

一個簡單的 C 版本實作如下

void naive_transpose(int *src, int *dst, int w, int h){

    for(int x = 0; x < w; x++){

        for(int y = 0; y < h; y++){

             *(dst + x*h + y) = *(src + y*w + x);

接著請參考 http://www.randombit.net/bitbashing⋯⋯

SSE2 實作版本如下, 由於先進處理器架構有著 automatic/speculative prefetcher 所以這裡我們故意寫得比較 CPU-unfriendly 一些

void sse_transpose(int *src, int *dst, int w, int h){

    for(int x = 0; x < w; x+=4){

        for(int y = 0; y < h; y+=4){

            __m128i I0 = _mm_loadu_si128 ((__m128i*)(src+y*w+x));

            __m128i I1 = _mm_loadu_si128 ((__m128i*)(src+(y+1)*w+x));

            __m128i I2 = _mm_loadu_si128 ((__m128i*)(src+(y+2)*w+x));

            __m128i I3 = _mm_loadu_si128 ((__m128i*)(src+(y+3)*w+x));

            __m128i T0 = _mm_unpacklo_epi32(I0, I1);

            __m128i T1 = _mm_unpacklo_epi32(I2, I3);

            __m128i T2 = _mm_unpackhi_epi32(I0, I1);

            __m128i T3 = _mm_unpackhi_epi32(I2, I3);

            I0 = _mm_unpacklo_epi64(T0, T1);

            I1 = _mm_unpackhi_epi64(T0, T1);

            I2 = _mm_unpacklo_epi64(T2, T3);

            I3 = _mm_unpackhi_epi64(T2, T3);

            _mm_storeu_si128((__m128i*)(dst+(x*h)+y), I0);

            _mm_storeu_si128((__m128i*)(dst+((x+1)*h)+y), I1);

            _mm_storeu_si128((__m128i*)(dst+((x+2)*h)+y), I2);

            _mm_storeu_si128((__m128i*)(dst+((x+3)*h)+y), I3);

接著我們來撰寫一個使用 SSE prefetch 指令的加速版本

void sse_prefetch_transpose(int *src, int *dst, int w, int h){

    for(int x = 0; x < w; x+=4){

        for(int y = 0; y < h; y+=4){

            #define PFDIST  8
            _mm_prefetch(src+(y+PFDIST)*w+x, _MM_HINT_T1);

            _mm_prefetch(src+(y+PFDIST+1)*w+x, _MM_HINT_T1);

            _mm_prefetch(src+(y+PFDIST+2)*w+x, _MM_HINT_T1);

            _mm_prefetch(src+(y+PFDIST+3)*w+x, _MM_HINT_T1);

 
            __m128i I0 = _mm_loadu_si128 ((__m128i*)(src+y*w+x));

            __m128i I1 = _mm_loadu_si128 ((__m128i*)(src+(y+1)*w+x));

            __m128i I2 = _mm_loadu_si128 ((__m128i*)(src+(y+2)*w+x));

            __m128i I3 = _mm_loadu_si128 ((__m128i*)(src+(y+3)*w+x));

            __m128i T0 = _mm_unpacklo_epi32(I0, I1);

            __m128i T1 = _mm_unpacklo_epi32(I2, I3);

            __m128i T2 = _mm_unpackhi_epi32(I0, I1);

            __m128i T3 = _mm_unpackhi_epi32(I2, I3);

            I0 = _mm_unpacklo_epi64(T0, T1);

            I1 = _mm_unpackhi_epi64(T0, T1);

            I2 = _mm_unpacklo_epi64(T2, T3);

            I3 = _mm_unpackhi_epi64(T2, T3);

            _mm_storeu_si128((__m128i*)(dst+(x*h)+y), I0);

            _mm_storeu_si128((__m128i*)(dst+((x+1)*h)+y), I1);

            _mm_storeu_si128((__m128i*)(dst+((x+2)*h)+y), I2);

            _mm_storeu_si128((__m128i*)(dst+((x+3)*h)+y), I3);

接著是測試程式(請將上述程式碼置於指定位置)

#include

#include

#include

#include 
//for using x86-SSE2 intrinsics you have to include this

#include

// PUT naive_transpose, sse_transpose, sse_prefetch_transpose HERE

// ...

#define TEST_W 4096

#define TEST_H 4096
int main(void){

    //verify the result of 4x4 matrix

        int testin[16] = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 };

        int testout[16];
        for(int y = 0; y < 4; y++){

            for(int x = 0; x < 4; x++)

                printf(" %2d", testin[y*4+x]);

            printf("\n");

        printf("\n");

        sse_transpose(testin, testout, 4, 4);

        for(int y = 0; y < 4; y++){

            for(int x = 0; x < 4; x++)

                printf(" %2d", testout[y*4+x]);

            printf("\n");

        struct timeval stime, etime;

        int *src = (int*)malloc(sizeof(int)*TEST_W*TEST_H);

        int *out0 = (int*)malloc(sizeof(int)*TEST_W*TEST_H);

        int *out1 = (int*)malloc(sizeof(int)*TEST_W*TEST_H);

        int *out2 = (int*)malloc(sizeof(int)*TEST_W*TEST_H);


        srand(time(NULL));

        for(int y = 0; y < TEST_H; y++){

            for(int x = 0; x < TEST_W; x++)

                *(src + y*TEST_W + x) = rand();

        }
        gettimeofday(&stime, NULL);

        sse_prefetch_transpose(src, out0, TEST_W, TEST_H);

        gettimeofday(&etime, NULL);

        printf("sse prefetch: %ld us\n", (etime.tv_sec - stime.tv_sec)*1000000 + (etime.tv_usec - stime.tv_usec));

        gettimeofday(&stime, NULL);

        sse_transpose(src, out1, TEST_W, TEST_H);

        gettimeofday(&etime, NULL);

        printf("sse: %ld us\n", (etime.tv_sec - stime.tv_sec)*1000000 + (etime.tv_usec - stime.tv_usec));

        gettimeofday(&stime, NULL);

        naive_transpose(src, out2, TEST_W, TEST_H);

        gettimeofday(&etime, NULL);

        printf("naive: %ld us\n", (etime.tv_sec - stime.tv_sec)*1000000 + (etime.tv_usec - stime.tv_usec));

        free(src);

        free(out0);

        free(out1);

        free(out2);

     }
     return 0;

存成 test.c, 並且按照下列方式編譯

gcc -msse2 -o test test.c

於個人的 Core i7 3612QM 執行得到下列結果

  0  1  2  3

  4  5  6  7

  8  9 10 11

 12 13 14 15

  0  4  8 12

  1  5  9 13

  2  6 10 14

  3  7 11 15

sse prefetch:  57782 us

sse: 117184 us

naive: 228870 us

儘管現今 CPU 有著強大的 auto-prefetcher, 但是並不是所有的演算都有著規律或是線型的記憶體存取模式, 如此透過優化 prefetching 依然是能夠有相當的效能增進.

你也可以寫 SIMD 比寫網頁還快 - II

第一篇並沒有介紹 clang 中的 OpenCL kernel 一些基礎型別宣告部分, 已經在上一篇出現過了, 所以這裡就從使用開始. 首先是 vector 的初始化

typedef int int4 __attribute__((ext_vector_type(4)));

typedef int int8 __attribute__((ext_vector_type(8)));

int a = 3;

int4 va = {1, 2, 3, 4};

int4 vb = 3;

接著是個別的 access, 下列的方式很適合做資料格式上的操作在等號的兩邊可以用不同的表示法, 沒有需要一致:

va.x = a;

// the below two lines are equivalent.

vb.xyw = va.xzw;

vb.s013 = va.s023;

// repeat is ok

va = vb.xyyz;

// high and low part

va.hi = va.lo;

va.lo = vb.hi;

// even and odd

va.odd = vb.even;

Vector 簡單的計算如下, 可以參照 clang - vectors and extended vectors 的列表:

// scalar multiply

va = a * vb;

// element-wise multiply

va = va * vb;

va = va | vb;

va = -va;

不同型別的 vector 轉換:

typedef float float4 __attribute__((ext_vector_type(4)));

// format convertion

float4 vfa = __builtin_convertvector(va, float4);

// data reinterpret

float4 vfa = (float4)va;

接著來實戰一番吧, 下列為以 bayer format 平均 GRBG 4個像素, 轉為1/4大小灰階圖的範例

void bayer_convert(char *src, char *gray, int w, int h)

{

    for(int y = 0; y < h; y+=2){

        for(int x = 0; x < w; x+=16){

            //bayer raw data fetch

            ushort8 pix00 = __builtin_convertvector(*((uchar8*)(src+x)), ushort8);

            ushort8 pix01 = __builtin_convertvector(*((uchar8*)(src+x+8)), ushort8);

            ushort8 pix10 = __builtin_convertvector(*((uchar8*)(src+x+w)), ushort8);

            ushort8 pix11 = __builtin_convertvector(*((uchar8*)(src+x+w+8)), ushort8);

            ushort8 pix_g0;

            pix_g0.lo = pix00.even;

            pix_g0.hi = pix01.even;

            ushort8 pix_r;

            pix_r.lo = pix00.odd;

            pix_r.hi = pix01.odd;

            ushort8 pix_b;

            pix_b.lo = pix10.even;

            pix_b.hi = pix11.even;

            ushort8 pix_g1;

            pix_g1.lo = pix10.odd;

            pix_g1.hi = pix11.odd;

            // average! so simple

            ushort8 pix_out = (pix_g0 + pix_r + pix_b + pix_g1) ;

            // write out

            *((uchar8*)(gray+(x/2))) = __builtin_convertvector(pix_out, uchar8);

        }

        src += w*2;

        gray += w;

    }

}

如何? 比起看 intrinsics function 來得清楚與簡單吧

如果還想了解 OpenCL vector 的操作可以參考這篇文章

有興趣記得編譯時加入 --save-temps 來看使用的指令!!! 下一篇會介紹進階的使用方式

2017年1月5日星期四

你也可以寫 SIMD 比寫網頁還快 - I

看到 Jim Huang 要開”從無到有自幹 boot loader 比寫網頁還快” 除了幫他打廣告外, 也趕快搭這個熱潮, 證明人人可以寫 SIMD 比網頁還快去年寫了系列 MMX/SSE 去處理 Matrix Transpose 但是看到 SSE/AVX intrinsics 很多人大概就眼睛花了若加上實際應用還要從 Intel 網頁查找適當的 intrinsics 會覺得難以下手搭配適當的工具, 你也可以是 SIMD 高手! 這裡最重要的工具是 - clang clang 如同 gcc 一般提供了許多 extension 其中很重要的一點是 Vectors and Extended Vectors 這個 extension 請特別注意 link 中的 OpenCL vector, 底下的表格表示此方式提供相當全面的 operator 而 clang 中使用 OpenCL vector 這即是這裡所推荐的方式 (還可以學會 OpenCL kernel 的部份撰寫!) 首先來以 clang 方式定義 OpenCL vector 的型別

typedef int int8 __attribute__((ext_vector_type(8)));

UPDATED: 對於 GCC 支援相近語法, 其宣告為 (其中 vector_size 以 byte 計)

typedef int int8 __attribute__ ((vector_size (32)));

這裡定義了長度為 8 的 int vector type 接著我們來實作先前時做過的 matrix transpose 功能

void transpose8x8(int *src, int *dst, int w, int h){
    for(int x = 0; x < w; x+=8){
        for(int y = 0; y < h; y+=8){
            int8 row0 = *((int8*)(src+y*w+x));
            int8 row1 = *((int8*)(src+(y+1)*w+x));
            int8 row2 = *((int8*)(src+(y+2)*w+x));
            int8 row3 = *((int8*)(src+(y+3)*w+x));
            int8 row4 = *((int8*)(src+(y+4)*w+x));
            int8 row5 = *((int8*)(src+(y+5)*w+x));
            int8 row6 = *((int8*)(src+(y+6)*w+x));
            int8 row7 = *((int8*)(src+(y+7)*w+x));
            int8 tmp0, tmp1, tmp2, tmp3, tmp4, tmp5, tmp6, tmp7;
            tmp0 = (int8){row0.s0, row1.s0, row2.s0, row3.s0, row4.s0, row5.s0, row6.s0, row7.s0};
            tmp1 = (int8){row0.s1, row1.s1, row2.s1, row3.s1, row4.s1, row5.s1, row6.s1, row7.s1};
            tmp2 = (int8){row0.s2, row1.s2, row2.s2, row3.s2, row4.s2, row5.s2, row6.s2, row7.s2};
            tmp3 = (int8){row0.s3, row1.s3, row2.s3, row3.s3, row4.s3, row5.s3, row6.s3, row7.s3};
            tmp4 = (int8){row0.s4, row1.s4, row2.s4, row3.s4, row4.s4, row5.s4, row6.s4, row7.s4};
            tmp5 = (int8){row0.s5, row1.s5, row2.s5, row3.s5, row4.s5, row5.s5, row6.s5, row7.s5};
            tmp6 = (int8){row0.s6, row1.s6, row2.s6, row3.s6, row4.s6, row5.s6, row6.s6, row7.s6};
            tmp7 = (int8){row0.s7, row1.s7, row2.s7, row3.s7, row4.s7, row5.s7, row6.s7, row7.s7};
            *((int8*)(dst+(x*h)+y)) = tmp0;
            *((int8*)(dst+((x+1)*h)+y)) = tmp1;
            *((int8*)(dst+((x+2)*h)+y)) = tmp2;
            *((int8*)(dst+((x+3)*h)+y)) = tmp3;
            *((int8*)(dst+((x+4)*h)+y)) = tmp4;
            *((int8*)(dst+((x+5)*h)+y)) = tmp5;
            *((int8*)(dst+((x+6)*h)+y)) = tmp6;
            *((int8*)(dst+((x+7)*h)+y)) = tmp7;
        }
    }
}

將上列內容與先前的範例結合, 最後就是編譯了

clang -O3 -mavx -mfma -o test test.c

以下為在 Intel(R) Core i7-3612QM 的執行結果

clang vector: 35759 us
sse: 41246 us
naive: 146310 us

這樣是不是很快呢? 甚至比之前直接用 SSE intrinsics 寫的還快!!!(灑花) 更棒的是這樣的 SIMD 撰寫, 透過 clang 是可以在各種硬體平台的可以自己試試看用 NDK 然後跑在自己的手機看看喔!!

訂閱：文章 (Atom)

2017年1月12日 星期四

2017年1月7日 星期六

2017年1月6日 星期五

2017年1月5日 星期四

2017年1月12日星期四

2017年1月7日星期六

2017年1月6日星期五

2017年1月5日星期四