liangbch 发表于 2008-3-24 12:22:34

在PIV上运行， UInt128x128To256_SSE2_58F 依然是最快的版本，下面是在PIV 2.6G上运行附件程序的测试结果。

Test function: UInt128x128To256_ANSI_C32(..) 10000000 times...
Elapsed time: 1922.926 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

Test function: UInt128x128To256_SSE2_40F(..) 10000000 times...
Elapsed time: 963.448 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

Test function: UInt128x128To256_SSE2_42F(..) 10000000 times...
Elapsed time: 723.966 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

Test function: UInt128x128To256_SSE2_54F(..) 10000000 times...
Elapsed time: 688.926 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

Test function: UInt128x128To256_SSE2_56F(..) 10000000 times...
Elapsed time: 578.551 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

Test function: UInt128x128To256_SSE2_58F(..) 10000000 times...
Elapsed time: 496.951 ms
61E4210A 30360E4B 277E205E 76686B79 * B17E7E8A 5DAC7050 2D821227 A31462E1
= 43DF1983 7F67BDEE F4F9FCCA FF5AE6BD   6ACA3B72 D0384E14 E4ED3A5F 7B5EC759

gxqcn 发表于 2008-3-24 12:47:36

谢谢楼上的测试！:handshake

看来不同机器对指令的处理周期相差很大，
也许在 Core2 上，56F 反超 58F 也是可能的。。。

无心人 发表于 2008-3-24 13:28:34

你的P4是31流水线的P4E
俺的是P4
郭的是Althon
差Core 2版
：）

无心人 发表于 2008-3-24 13:33:30

事情复杂了
我执行GxQcn程序也得到liangbch的结果
但我测试却不是
现在
问题在什么地方？

ICC编译器难道对汇编也动？

无心人 发表于 2008-3-24 13:46:12

GxQcn你能不能把存储临时值操作取消掉
那个高延时啊

gxqcn 发表于 2008-3-24 13:57:49

Re: 64#
反正有完整的测试源代码，你不妨将不同编译器编译的程序运行一下，并把结果公布出来，让大家分析分析。。。

Re: 65#
我也不想啊，寄存器那么少，这是权衡之后的下下策啊。:'(

无心人 发表于 2008-3-24 14:22:17

疯了疯了
在我VC2008Express上重新编译你代码
结果和你程序一致
也是依次减小

为什么啊

无心人 发表于 2008-3-24 16:51:38

这么做有优势么？
先乘四个3:3 2:2 1:1 0:0
正好存在结果里
然后依次乘剩下的12个
加在结果上

gxqcn 发表于 2008-3-24 19:02:21

对 58# 再改进

对 58F 再进行指令混排（寄存器名局部有轮换），得到新的版本如下：_declspec(naked)
void UInt128x128To256_SSE2_69F( UINT32 * const result,
                              const UINT32 * const left,
                              const UINT32 * const right )
{
    __asm
    {
      mov         ecx, dword ptr   ; result
      mov         eax, dword ptr   ; left
      mov         edx, dword ptr   ; right

      movdqa      xmm5, xmmword ptr      ; load left
      movdqa      xmm4, xmmword ptr      ; load right

      mov         eax, esp                  ;
      sub         esp, 0x4F                   ;
      and         esp, -16                  ;

      pshufd      xmm0, xmm5, 00000000b       ; xmm0 = L0:L0:L0:L0
      pshufd      xmm1, xmm5, 01010101b       ; xmm1 = L1:L1:L1:L1
      pshufd      xmm2, xmm5, 10101010b       ; xmm2 = L2:L2:L2:L2
      pshufd      xmm3, xmm5, 11111111b       ; xmm3 = L3:L3:L3:L3

      movdqa      xmmword ptr, xmm0 ; xmm0 = L0:L0:L0:L0
      movdqa      xmmword ptr, xmm1 ; xmm1 = L1:L1:L1:L1
      movdqa      xmm6, xmm2                  ; xmm6 = L2:L2:L2:L2
      movdqa      xmm7, xmm3                  ; xmm7 = L3:L3:L3:L3

      pmuludq   xmm0, xmm4                  ; xmm0 = L0*R2:L0*R0
      pmuludq   xmm1, xmm4                  ; xmm1 = L1*R2:L1*R0
      pmuludq   xmm2, xmm4                  ; xmm2 = L2*R2:L2*R0
      pmuludq   xmm3, xmm4                  ; xmm3 = L3*R2:L3*R0

      movdqa      xmmword ptr, xmm0 ;
      movdqa      xmmword ptr, xmm1 ;
      movdqa      xmmword ptr, xmm2 ;
      movdqa      xmmword ptr, xmm3 ;

      psrldq      xmm4, 4                     ; xmm4 = 00:R3:R2:R1
      movdqa      xmm1, xmmword ptr ; xmm1 = L1:L1:L1:L1
      movdqa      xmm0, xmmword ptr ; xmm0 = L0:L0:L0:L0

      pmuludq   xmm7, xmm4                  ; xmm3 = L3*R3:L3*R1 ->V7-4
      pmuludq   xmm6, xmm4                  ; xmm2 = L2*R3:L2*R1 ->V6-3
      pmuludq   xmm1, xmm4                  ; xmm1 = L1*R3:L1*R1
      pmuludq   xmm0, xmm4                  ; xmm0 = L0*R3:L0*R1


      movdqa      xmm5, xmm7                  ;
      movdqa      xmm4, xmm6                  ;
      movdqa      xmm3, xmm6                  ;

      pslldq      xmm5, 4                     ; xmm5 <<= 32
      psrldq      xmm4, 4                     ; xmm4 >>= 32
      pslldq      xmm3, 12                  ; L3*R3:L3*R1 ->V3-0

      paddq       xmm7, xmm4                  ; L2*R3:L2*R1 ->V7-4
      paddq       xmm6, xmm5                  ; L3*R3:L3*R1 ->V6-3


      movdqa      xmm2, xmm0                  ;
      movdqa      xmm4, xmm0                  ;
      movdqa      xmm5, xmm1                  ;

      psrldq      xmm0, 8                     ; xmm0 >>= 64
      psrldq      xmm1, 4                     ; xmm1 >>= 32
      pslldq      xmm2, 8                     ; L0*R3:L0*R1 ->V2-1H
      pslldq      xmm4, 4                     ; xmm4 <<= 32
      pslldq      xmm5, 8                     ; xmm5 <<= 64

      paddq       xmm6, xmm0                  ; L0*R3:L0*R1 ->V6-3
      paddq       xmm3, xmm4                  ; L0*R3:L0*R1 ->V3-0
      paddq       xmm6, xmm1                  ; L1*R3:L1*R1 ->V6-3
      paddq       xmm3, xmm5                  ; L1*R3:L1*R1 ->V3-0

      psrldq      xmm0, 4                     ; xmm0 >>= 32
      psrldq      xmm1, 4                     ; xmm1 >>= 32
      pslldq      xmm5, 4                     ; xmm5 <<= 32

      paddq       xmm7, xmm0                  ; L0*R3:L0*R1 ->V7-4
      paddq       xmm2, xmm5                  ; L1*R3:L1*R1 ->V2-1H
      paddq       xmm7, xmm1                  ; L1*R3:L1*R1 ->V7-4


      movdqa      xmm5, xmmword ptr ; xmm5 = L3*R2:L3*R0
      movdqa      xmm4, xmmword ptr ; xmm4 = L2*R2:L2*R0

      movdqa      xmm1, xmm5                  ;
      movdqa      xmm0, xmm4                  ;
      paddq       xmm6, xmm5                  ; L3*R2:L3*R0 ->V6-3

      psrldq      xmm0, 4                     ; xmm0 >>= 32
      psrldq      xmm1, 4                     ; xmm1 >>= 32
      pslldq      xmm4, 8                     ; xmm4 <<= 64
      pslldq      xmm5, 12                  ; xmm5 <<= 96

      paddq       xmm6, xmm0                  ; L2*R2:L2*R0 ->V6-3
      paddq       xmm3, xmm4                  ; L2*R2:L2*R0 ->V3-0
      paddq       xmm7, xmm1                  ; L3*R2:L3*R0 ->V7-4
      paddq       xmm3, xmm5                  ; L3*R2:L3*R0 ->V3-0

      psrldq      xmm0, 4                     ; xmm0 >>= 32
      pslldq      xmm4, 4                     ; xmm4 <<= 32

      movdqa      xmm1, xmmword ptr ; xmm1 = L0*R2:L0*R0
      movdqa      xmm5, xmmword ptr ; xmm5 = L1*R2:L1*R0

      paddq       xmm7, xmm0                  ; L2*R2:L2*R0 ->V7-4
      paddq       xmm2, xmm4                  ; L2*R2:L2*R0 ->V2-1H
      paddq       xmm3, xmm1                  ; L0*R2:L0*R0 ->V3-0

      movdqa      xmm0, xmm1                  ;
      movdqa      xmm4, xmm5                  ;

      pslldq      xmm1, 4                     ; xmm1 <<= 32
      pslldq      xmm5, 4                     ; xmm5 <<= 32
      psrldq      xmm0, 12                  ; xmm0 >>= 96
      psrldq      xmm4, 8                     ; xmm4 >>= 64

      paddq       xmm2, xmm1                  ; L0*R2:L0*R0 ->V2-1H
      paddq       xmm6, xmm0                  ; L0*R2:L0*R0 ->V6-3
      paddq       xmm3, xmm5                  ; L1*R2:L1*R0 ->V3-0
      paddq       xmm6, xmm4                  ; L1*R2:L1*R0 ->V6-3

      pslldq      xmm5, 4                     ; xmm5 <<= 32
      psrldq      xmm4, 4                     ; xmm4 >>= 32

      paddq       xmm2, xmm5                  ; L1*R2:L1*R0 ->V2-1H
      paddq       xmm7, xmm4                  ; L1*R2:L1*R0 ->V7-4


      mov         esp, eax                  ; now, V=xmm3 ->OK

      psrldq      xmm2, 4                     ; xmm2 >>= 32
      movdqa      xmm4, xmm3                  ;
      pcmpeqd   xmm0, xmm0                  ; xmm0 = FF:FF:FF:FF
      pandn       xmm4, xmm2                  ;
      psubd       xmm2, xmm3                  ; xmm2 -= xmm3
      psrldq      xmm0, 12                  ; xmm0 = 00:00:00:FF

      pslldq      xmm4, 4                     ; xmm4 <<= 32
      psrld       xmm4, 31                  ; CF
      pshufd      xmm1, xmm0, 01001110b       ; xmm1 = 00:FF:00:00
      paddd       xmm2, xmm4                  ;
      pand      xmm2, xmm1                  ;
      paddq       xmm3, xmm2                  ; V=xmm3 ->OK
      movdqa      xmmword ptr, xmm3 ; store V


      psrldq      xmm3, 12                  ; xmm3 >>= 96
      psubd       xmm3, xmm6                  ; xmm3 -= xmm6
      pand      xmm3, xmm0                  ;
      paddq       xmm6, xmm3                  ; V=xmm6 ->OK
      pxor      xmm1, xmm0                  ; xmm1 = 00:FF:00:FF
      psrldq      xmm6, 4                     ; V=xmm6 ->OK


      movdqa      xmm2, xmm6                  ; xmm2 = xmm6
      psubd       xmm6, xmm7                  ; xmm6 -= xmm0
      pand      xmm6, xmm1                  ;
      paddq       xmm7, xmm6                  ; now, xmm7 bits OK!

      psubusb   xmm2, xmm7                  ;
      psrlq       xmm2, 63                  ; CF
      pslldq      xmm2, 8                     ;
      paddq       xmm7, xmm2                  ; xmm7 += CF
      movdqa      xmmword ptr, xmm7 ; store V

      ret;
    }
}当前所有版本测试源代码及编译好的程序压缩包：

无心人 发表于 2008-3-25 21:50:30

总感觉你这么安排指令会存在冲突
页: 1 2 3 4 5 6 [7] 8 9 10 11 12 13 14 15
查看完整版本: x86上128位二进制乘法最快速算法征解