SSE-выравнивание 3D-вектора

Question

Я хочу, чтобы SSE использовался для арифметики на моих 3D-плавающих векторах (96 бит). Однако я читал противоречивые мнения о том, что необходимо.

Некоторые статьи/сообщения говорят, что мне нужно использовать 4D-вектор и «игнорировать» 4-й элемент, некоторые говорят, что я должен украсить свой класс такими вещами, как __declspec(align(16)), и переопределить оператор new, а некоторые говорят, что компилятор достаточно умен, чтобы выровняйте вещи для меня (я действительно надеюсь, что это правда!).

Я использую библиотеку Eigen, но обнаруживаю, что класс «неподдерживаемый» AlignedVector3 не подходит для цели (например, деление на нулевые ошибки при выполнении компонентного разделения, lpNorm функция включает в себя фиктивный 4-й элемент).

Множество статей, которые я прочитал, уже несколько лет, поэтому я надеюсь, что современные компиляторы/версии SSE/процессоры могут просто выровнять данные для меня или работать с не согласованными по 16 байт данными. Любые современные знания об этом будут высоко оценены!

Answer 1

Фактически мы используем SIMD на работе, и, возможно, я могу дать вам свои отзывы об этом. Согласование - это то, о чем вы должны заботиться при работе с SIMD, это для обеспечения выравнивания линии кэша. Однако я не уверен, будет ли он по-прежнему вызывать сбои, если он не выровнен или если процессор в состоянии управлять в любом случае (например, не выровненные скалярные типы в старое время, это вызывало крах, теперь процессор обрабатывает его, но он замедляется вниз). Возможно, вы можете посмотреть здесь SSE, intrinsics, and alignment Кажется, у вас есть хорошие ответы на вопрос о выравнивании вопроса.

Для этого вы используете его как трехмерный вектор, даже если он физически является 4D-вектором, но это не очень хорошая практика, потому что вы не получаете прибыль за все действия SIMD-инструкций. Наилучшим способом сопоставления является использование Structure of Arrays (SOA).

Примечание: Я предполагаю, что 128 бит SIMD регистров, отображенные на 4 типа скалярных (INT или с плавающей точкой)

Например, если у вас есть 4 3D точки (или векторы), следуя пути, вы будете иметь 4 4D векторов, игнорирующих 4-й компонент каждой точки. В итоге вы получаете доступные 4 * 4 значения.

Используя SOA, вы будете иметь 3 SIMD 128 бит (12 значений), и вы сохраните свои очки следующим образом. SIMD

• r1: х х х х
• r2: у Y Y Y
• r3: г г г Z

Таким образом, вы заполняете целые регистры SIMD и, следовательно, прибыль максимум преимуществ SIMD. Другое дело, что многие вычисления, которые вам нужно будет сделать (например, добавить 2 группы из 4 векторов), будут принимать только 3 SIMD-инструкции. Это немного сложно использовать и понимать, но когда вы это делаете, выигрыш велик.

Конечно, вы не сможете использовать его таким образом во всех случаях, чтобы вернуться к исходному решению игнорирования последнего значения.