1
我有一个简单的图像处理相关算法。 简言之,图像(平均值)在浮子是由一个8位的图像 结果中减去,然后保存到一个浮动图像(目标)用TBB优化几条指令的循环(SSE2,SSE4)
此功能主要是通过写入内部函数。
我试图用TBB,par parallel_for, 来优化这个函数,但是我没有收到速度上的增益,但是没有受到惩罚。
我该怎么办?我是否应该使用更多的低层次方案,如TBB任务 来优化代码?
float *m, **m_data,
*o, **o_data;
unsigned char *p, **src_data;
register unsigned long len, i;
unsigned long nr,
nc;
src_data = src->UByteData; // 2d array
m_data = mean->FloatData; // 2d array
o_data = dest->FloatData; // 2d array
nr = src->Rows;
nc = src->Cols;
__m128i xmm0;
for(i=0; i<nr; i++)
{
m = m_data[i];
o = o_data[i];
p = src_data[i];
len = nc;
do
{
_mm_prefetch((const char *)(p + 16), _MM_HINT_NTA);
_mm_prefetch((const char *)(m + 16), _MM_HINT_NTA);
xmm0 = _mm_load_si128((__m128i *) (p));
_mm_stream_ps(
o,
_mm_sub_ps(
_mm_cvtepi32_ps(_mm_cvtepu8_epi32(_mm_srli_si128(xmm0, 0))),
_mm_load_ps(m + offset)
)
);
_mm_stream_ps(
o + 4,
_mm_sub_ps(
_mm_cvtepi32_ps(_mm_cvtepu8_epi32(_mm_srli_si128(xmm0, 4))),
_mm_load_ps(m + offset + 4)
)
);
_mm_stream_ps(
o + 8,
_mm_sub_ps(
_mm_cvtepi32_ps(_mm_cvtepu8_epi32(_mm_srli_si128(xmm0, 8))),
_mm_load_ps(m + offset + 8)
)
);
_mm_stream_ps(
o + 12,
_mm_sub_ps(
_mm_cvtepi32_ps(_mm_cvtepu8_epi32(_mm_srli_si128(xmm0, 12))),
_mm_load_ps(m + offset + 12)
)
);
p += 16;
m += 16;
o += 16;
len -= 16;
}
while(len);
}
如果IPP已经有这个功能,我不会感到惊讶。 – 2011-02-10 03:05:37
如果您使用的是英特尔编译器,那么为什么不直接编写一个该函数的天真版本,并查看编译器是否可以自行进行矢量化?在这方面我不了解GCC。 – 2011-02-10 03:16:13