我有一个指向mixed
字节数组的指针,它包含两个不同数组array1
和array2
的交错字节。 mixed
看起来像这样:
a1b2c3d4...
我需要做的是解交织字节,所以我得到array1 = abcd...
和array2 = 1234...
我知道提前mixed
的长度,并且array1
和array2
的长度是等价的,都等于mixed / 2
。
这是我当前的实现(已分配array1
和array2
):
int i, j; int mixedLength_2 = mixedLength / 2; for (i = 0, j = 0; i < mixedLength_2; i++, j += 2) { array1[i] = mixed[j]; array2[i] = mixed[j+1]; }
这避免了任何昂贵的乘法或除法运算,但仍然运行得不够快。 我希望有一些像memcpy
这样的东西,它可以使用一个可以使用低级块复制操作的索引器来加速这个过程。 是否有比我现有的更快的实施?
编辑
目标平台是针对iOS和Mac的Objective-C。 对于iOS设备而言,快速操作更为重要,因此针对iOS的解决方案将比没有更好。
更新
感谢大家的回应,尤其是Stephen Canon,Graham Lee和Mecki。 这是我的“主”function,使用Stephen的NEON内在函数(如果可用)和Graham的联合游标,Mecki建议的迭代次数减少。
void interleave(const uint8_t *srcA, const uint8_t *srcB, uint8_t *dstAB, size_t dstABLength) { #if defined __ARM_NEON__ // attempt to use NEON intrinsics // iterate 32-bytes at a time div_t dstABLength_32 = div(dstABLength, 32); if (dstABLength_32.rem == 0) { while (dstABLength_32.quot --> 0) { const uint8x16_t a = vld1q_u8(srcA); const uint8x16_t b = vld1q_u8(srcB); const uint8x16x2_t ab = { a, b }; vst2q_u8(dstAB, ab); srcA += 16; srcB += 16; dstAB += 32; } return; } // iterate 16-bytes at a time div_t dstABLength_16 = div(dstABLength, 16); if (dstABLength_16.rem == 0) { while (dstABLength_16.quot --> 0) { const uint8x8_t a = vld1_u8(srcA); const uint8x8_t b = vld1_u8(srcB); const uint8x8x2_t ab = { a, b }; vst2_u8(dstAB, ab); srcA += 8; srcB += 8; dstAB += 16; } return; } #endif // if the bytes were not aligned properly // or NEON is unavailable, fall back to // an optimized iteration // iterate 8-bytes at a time div_t dstABLength_8 = div(dstABLength, 8); if (dstABLength_8.rem == 0) { typedef union { uint64_t wide; struct { uint8_t a1; uint8_t b1; uint8_t a2; uint8_t b2; uint8_t a3; uint8_t b3; uint8_t a4; uint8_t b4; } narrow; } ab8x8_t; uint64_t *dstAB64 = (uint64_t *)dstAB; int j = 0; for (int i = 0; i < dstABLength_8.quot; i++) { ab8x8_t cursor; cursor.narrow.a1 = srcA[j ]; cursor.narrow.b1 = srcB[j++]; cursor.narrow.a2 = srcA[j ]; cursor.narrow.b2 = srcB[j++]; cursor.narrow.a3 = srcA[j ]; cursor.narrow.b3 = srcB[j++]; cursor.narrow.a4 = srcA[j ]; cursor.narrow.b4 = srcB[j++]; dstAB64[i] = cursor.wide; } return; } // iterate 4-bytes at a time div_t dstABLength_4 = div(dstABLength, 4); if (dstABLength_4.rem == 0) { typedef union { uint32_t wide; struct { uint8_t a1; uint8_t b1; uint8_t a2; uint8_t b2; } narrow; } ab8x4_t; uint32_t *dstAB32 = (uint32_t *)dstAB; int j = 0; for (int i = 0; i < dstABLength_4.quot; i++) { ab8x4_t cursor; cursor.narrow.a1 = srcA[j ]; cursor.narrow.b1 = srcB[j++]; cursor.narrow.a2 = srcA[j ]; cursor.narrow.b2 = srcB[j++]; dstAB32[i] = cursor.wide; } return; } // iterate 2-bytes at a time div_t dstABLength_2 = div(dstABLength, 2); typedef union { uint16_t wide; struct { uint8_t a; uint8_t b; } narrow; } ab8x2_t; uint16_t *dstAB16 = (uint16_t *)dstAB; for (int i = 0; i 0) { const uint8x16x2_t ab = vld2q_u8(srcAB); vst1q_u8(dstA, ab.val[0]); vst1q_u8(dstB, ab.val[1]); srcAB += 32; dstA += 16; dstB += 16; } return; } // iterate 16-bytes at a time div_t srcABLength_16 = div(srcABLength, 16); if (srcABLength_16.rem == 0) { while (srcABLength_16.quot --> 0) { const uint8x8x2_t ab = vld2_u8(srcAB); vst1_u8(dstA, ab.val[0]); vst1_u8(dstB, ab.val[1]); srcAB += 16; dstA += 8; dstB += 8; } return; } #endif // if the bytes were not aligned properly // or NEON is unavailable, fall back to // an optimized iteration // iterate 8-bytes at a time div_t srcABLength_8 = div(srcABLength, 8); if (srcABLength_8.rem == 0) { typedef union { uint64_t wide; struct { uint8_t a1; uint8_t b1; uint8_t a2; uint8_t b2; uint8_t a3; uint8_t b3; uint8_t a4; uint8_t b4; } narrow; } ab8x8_t; uint64_t *srcAB64 = (uint64_t *)srcAB; int j = 0; for (int i = 0; i < srcABLength_8.quot; i++) { ab8x8_t cursor; cursor.wide = srcAB64[i]; dstA[j ] = cursor.narrow.a1; dstB[j++] = cursor.narrow.b1; dstA[j ] = cursor.narrow.a2; dstB[j++] = cursor.narrow.b2; dstA[j ] = cursor.narrow.a3; dstB[j++] = cursor.narrow.b3; dstA[j ] = cursor.narrow.a4; dstB[j++] = cursor.narrow.b4; } return; } // iterate 4-bytes at a time div_t srcABLength_4 = div(srcABLength, 4); if (srcABLength_4.rem == 0) { typedef union { uint32_t wide; struct { uint8_t a1; uint8_t b1; uint8_t a2; uint8_t b2; } narrow; } ab8x4_t; uint32_t *srcAB32 = (uint32_t *)srcAB; int j = 0; for (int i = 0; i < srcABLength_4.quot; i++) { ab8x4_t cursor; cursor.wide = srcAB32[i]; dstA[j ] = cursor.narrow.a1; dstB[j++] = cursor.narrow.b1; dstA[j ] = cursor.narrow.a2; dstB[j++] = cursor.narrow.b2; } return; } // iterate 2-bytes at a time div_t srcABLength_2 = div(srcABLength, 2); typedef union { uint16_t wide; struct { uint8_t a; uint8_t b; } narrow; } ab8x2_t; uint16_t *srcAB16 = (uint16_t *)srcAB; for (int i = 0; i < srcABLength_2.quot; i++) { ab8x2_t cursor; cursor.wide = srcAB16[i]; dstA[i] = cursor.narrow.a; dstB[i] = cursor.narrow.b; } }
在我的脑海中,我不知道用于解交织2个通道字节数据的库函数。 但是,值得向Apple提交错误报告以请求此类function。
与此同时,使用NEON或SSE内在函数对这样的函数进行矢量化非常容易。 具体来说,在ARM上,您将需要使用vld1q_u8
加载来自每个源数组的向量, vuzpq_u8
来对它们进行去交织,并使用vst1q_u8
来存储生成的向量; 这是一个粗略的草图,我没有测试过甚至试图建立,但它应该说明一般的想法。 更复杂的实现肯定是可能的(特别是,NEON可以在一条指令中加载/存储两个 16B寄存器,编译器可能不会这样做,并且根据缓冲区的长度,一些流水线和/或展开可能是有益的是):
#if defined __ARM_NEON__ # include #endif #include #include void deinterleave(uint8_t *mixed, uint8_t *array1, uint8_t *array2, size_t mixedLength) { #if defined __ARM_NEON__ size_t vectors = mixedLength / 32; mixedLength %= 32; while (vectors --> 0) { const uint8x16_t src0 = vld1q_u8(mixed); const uint8x16_t src1 = vld1q_u8(mixed + 16); const uint8x16x2_t dst = vuzpq_u8(src0, src1); vst1q_u8(array1, dst.val[0]); vst1q_u8(array2, dst.val[1]); mixed += 32; array1 += 16; array2 += 16; } #endif for (size_t i=0; i
我只是轻轻地测试了它,但它似乎至少是你版本的两倍:
typedef union { uint16_t wide; struct { uint8_t top; uint8_t bottom; } narrow; } my_union; uint16_t *source = (uint16_t *)mixed; for (int i = 0; i < mixedLength/2; i++) { my_union cursor; cursor.wide = source[i]; array1[i] = cursor.narrow.top; array2[i] = cursor.narrow.bottom; }
请注意,我对结构打包并不小心,但在这种情况下,这种架构不是问题。 另请注意,有人可能会因为我选择命名top
和bottom
抱怨; 我假设你知道你需要哪一半整数。
好的,这是你原来的方法:
static void simpleDeint ( uint8_t * array1, uint8_t * array2, uint8_t * mixed, int mixedLength ) { int i, j; int mixedLength_2 = mixedLength / 2; for (i = 0, j = 0; i < mixedLength_2; i++, j += 2) { array1[i] = mixed[j]; array2[i] = mixed[j+1]; } }
有1000万个条目和-O3
(编译器应优化最大速度),我可以在Mac上每秒运行154次。
这是我的第一个建议:
static void structDeint ( uint8_t * array1, uint8_t * array2, uint8_t * mixed, int mixedLength ) { int i; int len; uint8_t * array1Ptr = (uint8_t *)array1; uint8_t * array2Ptr = (uint8_t *)array2; struct { uint8_t byte1; uint8_t byte2; } * tb = (void *)mixed; len = mixedLength / 2; for (i = 0; i < len; i++) { *(array1Ptr++) = tb->byte1; *(array2Ptr++) = tb->byte2; tb++; } }
与以前相同的计数和优化,我每秒获得193次运行。
现在格雷厄姆·李的建议:
static void unionDeint ( uint8_t * array1, uint8_t * array2, uint8_t * mixed, int mixedLength ) { union my_union { uint16_t wide; struct { uint8_t top; uint8_t bottom; } narrow; }; uint16_t * source = (uint16_t *)mixed; for (int i = 0; i < mixedLength/2; i++) { union my_union cursor; cursor.wide = source[i]; array1[i] = cursor.narrow.top; array2[i] = cursor.narrow.bottom; } }
与之前相同的设置,每秒198次运行(注意:此方法不是字节式安全,结果取决于CPU的endianess。在您的情况下,由于ARM是小端,因此可能会交换array1和array2,因此您必须在代码中交换它们)。
到目前为止,这是我最好的一个:
static void uint32Deint ( uint8_t * array1, uint8_t * array2, uint8_t * mixed, int mixedLength ) { int i; int count; uint32_t * fourBytes = (void *)mixed; uint8_t * array1Ptr = (uint8_t *)array1; uint8_t * array2Ptr = (uint8_t *)array2; count = mixedLength / 4; for (i = 0; i < count; i++) { uint32_t temp = *(fourBytes++); #if __LITTLE_ENDIAN__ *(array1Ptr++) = (uint8_t)(temp & 0xFF); temp >>= 8; *(array2Ptr++) = (uint8_t)(temp & 0xFF); temp >>= 8; *(array1Ptr++) = (uint8_t)(temp & 0xFF); temp >>= 8; *(array2Ptr++) = tb->byte2; #else *(array1Ptr++) = (uint8_t)(temp >> 24); *(array2Ptr++) = (uint8_t)((temp >> 16) & 0xFF); *(array1Ptr++) = (uint8_t)((temp >> 8) & 0xFF); *(array2Ptr++) = (uint8_t)(temp & 0xFF); #endif } // Either it is a multiple of 4 or a multiple of 2. // If it is a multiple of 2, 2 bytes are left over. if (count * 4 != mixedLength) { *(array1Ptr) = mixed[mixedLength - 2]; *(array2Ptr) = mixed[mixedLength - 1]; } }
与上面相同的设置,每秒219次,除非我犯了错误,否则应该使用任何一个endianess。
我推荐格雷厄姆的解决方案,但如果这对速度非常重要并且你愿意去assembly,你可以更快。
这个想法是这样的:
我们交换了2个内存读取(假设我们使用Graham的版本或等价物)和4个内存,一个内存读取,两个内存写入和4个寄存器操作。 虽然操作次数从6次增加到7次,但是寄存器操作比内存操作更快,因此它的效率更高。 此外,由于我们一次从mixed
32位读取而不是16位,因此我们将迭代管理减少了一半。
PS:从理论上讲,这也适用于64位架构,但对’a1b2c3d4’进行所有这些旋转会让你感到疯狂。
对于x86 SSE, pack
和punpck
指令是您所需要的。 使用AVX的示例,以方便非破坏性3操作数指令。 (不使用AVX2 256b宽指令,因为256b打包/取消指令在低和高128b通道中执行两次128b解压缩,因此您需要随机播放以获得正确的最终顺序。)
以下内在版本的工作方式相同。 只需编写快速答案,Asm指令的类型就会缩短。
交错 : abcd
和1234
– > a1b2c3d4
:
# loop body: vmovdqu (%rax), %xmm0 # load the sources vmovdqu (%rbx), %xmm1 vpunpcklbw %xmm0, %xmm1, %xmm2 # low halves -> 128b reg vpunpckhbw %xmm0, %xmm2, %xmm3 # high halves -> 128b reg vmovdqu %xmm2, (%rdi) # store the results vmovdqu %xmm3, 16(%rdi) # blah blah some loop structure. `punpcklbw` interleaves the bytes in the low 64 of the two source `xmm` registers. There are `..wd` (word->dword), and dword->qword versions which would be useful for 16 or 32bit elements.
解交织 : a1b2c3d4
– > abcd
和1234
#outside the loop vpcmpeqb %xmm5, %xmm5 # set to all-1s vpsrlw $8, %xmm5, %xmm5 # every 16b word has low 8b = 0xFF, high 8b = 0. # loop body vmovdqu (%rsi), %xmm2 # load two src chunks vmovdqu 16(%rsi), %xmm3 vpand %xmm2, %xmm5, %xmm0 # mask to leave only the odd bytes vpand %xmm3, %xmm5, %xmm1 vpackuswb %xmm0, %xmm1, %xmm4 vmovdqu %xmm4, (%rax) # store 16B of a[] vpsrlw $8, %xmm2, %xmm6 # even bytes -> odd bytes vpsrlw $8, %xmm3, %xmm7 vpackuswb %xmm6, %xmm7, %xmm4 vmovdqu %xmm4, (%rbx)
这当然可以使用更少的寄存器。 我避免重复使用寄存器的可读性,而不是性能。 硬件寄存器重命名使重用成为非问题,只要您从不依赖于先前值的内容开始。 (例如, movss
,not movss
或pinsrd
。)
由于pack
指令执行有符号或无符号饱和,因此去交错是更多的工作,因此每个16b元素的高8b必须首先归零。
另一种方法是使用pshufb
将单个源寄存器的奇数或偶pshufb
到寄存器的低64位。 但是,在AMD XOP指令集的VPPERM
,没有可以同时从2个寄存器中选择字节的混洗(就像Altivec非常喜欢的vperm
)。 因此,对于SSE / AVX,每128b交错数据需要2次重复。 而且由于存储端口的使用可能是瓶颈, punpck
需要将两个64位块的a
成一个寄存器来设置128b存储。
使用AMD XOP,deinterleave将是2x128b负载,2个VPPERM
和2x128b存储。
也就是说,有些事情可以帮助编译器,因为您具有编译器不能拥有的数据的语义知识:
FWIW,我制作了两个版本的复制循环,一个与你的版本大致相同,第二个使用了大多数人认为的“最佳”(尽管仍然很简单)C代码:
void test1(byte *p, byte *p1, byte *p2, int n) { int i, j; for (i = 0, j = 0; i < n / 2; i++, j += 2) { p1[i] = p[j]; p2[i] = p[j + 1]; } } void test2(byte *p, byte *p1, byte *p2, int n) { while (n) { *p1++ = *p++; *p2++ = *p++; n--; n--; } }
在Intel x86上使用gcc -O3 -S
,它们都生成了几乎相同的汇编代码。 这是内循环:
LBB1_2: movb -1(%rdi), %al movb %al, (%rsi) movb (%rdi), %al movb %al, (%rdx) incq %rsi addq $2, %rdi incq %rdx decq %rcx jne LBB1_2
和
LBB2_2: movb -1(%rdi), %al movb %al, (%rsi) movb (%rdi), %al movb %al, (%rdx) incq %rsi addq $2, %rdi incq %rdx addl $-2, %ecx jne LBB2_2
两者都具有相同数量的指令,差异仅仅因为第一个版本计数到n / 2
而第二个计数减少到零。
编辑这里是一个更好的版本:
/* non-portable - assumes little endian */ void test3(byte *p, byte *p1, byte *p2, int n) { ushort *ps = (ushort *)p; n /= 2; while (n) { ushort n = *ps++; *p1++ = n; *p2++ = n >> 8; } }
导致:
LBB3_2: movzwl (%rdi), %ecx movb %cl, (%rsi) movb %ch, (%rdx) # NOREX addq $2, %rdi incq %rsi incq %rdx decq %rax jne LBB3_2
这是少一条指令,因为它利用了对%cl
和%ch
的直接访问。
需要了解更多c/c++开发分享C中最快的去交织操作?,也可以关注C/ C++技术分享栏目---计算机技术网(www.ctvol.com)!
以上就是c/c++开发分享C中最快的去交织操作?相关内容,想了解更多C/C++开发(异常处理)及C/C++游戏开发关注计算机技术网(www.ctvol.com)!)。
本文来自网络收集,不代表计算机技术网立场,如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址:https://www.ctvol.com/c-cdevelopment/979481.html