在38楼给出几个 以2^32为基，使用 MMX寄存器，可计算480bit ×480bit 的函数。其中
UInt480x480_MMX是一个使用完全循环展开，仅能计算480bit的数的版本；而UIntMul_basecase_MMX2是一个不使用循环展开，可计算任意长度的数的版本。
现在，楼主又给出一个使用4路循环展开的版本，理论上这个版本在 计算480bit × 480 bit，应该比 UIntMul_basecase_MMX2 快一些，但慢于UInt480x480_MMX
38#给出的这两个函数的原型是：
void UInt480x480_MMX( unsigned long * result, const unsigned long *left, const unsigned long *right );
void UIntMul_basecase_MMX2( unsigned long * result, const unsigned long *left, const unsigned long *right,
unsigned long leftLen,unsigned long rightLen );
对， 你的分析很对
看并行4路的效率了
在加法是1/6的增幅
乘法估计要更多
乘法肯定是比1/6少。
循环展开能够提高速度的原因在于：
1.减少了数组指针的递增指令的执行次数，如下面代码中的“lea edi, ”，“lea ebx, ”，
2.减少了比较和条件跳转指令的执行次数。如下面代码中的“sub ecx, 1“，"jnz mbinmul3".
而其他用来工作的指令则无法减少，另一个好处是，循环展开便于合适的安排指令，使指令间的依赖很小，但这种影响一般很小。
如果循环体很小，其中几条指令不是很耗时，则减少的这些指令占用的时间比例较大，提速明显。反之则提速不明显。对于加法，真正干活的指令占用时间少，故提升比例较高。而对于乘法，真正用来干活的指令（如pmuludq）占用的时间比例很大。故提升的比例应该很有限。movd mm2, dword ptr
lea edi,
movd mm3, dword ptr
pmuludq mm2, mm1
paddq mm0, mm3
paddq mm0, mm2
movd dword ptr , mm0
psrlq mm0, 32
lea ebx,
sub ecx, 1
jnz mbinmul3
可是乘法存在延迟长的问题啊
如果单循环，可能造成整个循环都在等乘法结果
而4个一起，只要一个好了
就能做部分工作，
处理完一个
也许剩下的乘法都不会再产生多余的延迟了
所以到底是你说的情况
还是我说的情况
要测试了才说的清
所以我分析下面的彩色指令都应该不占CPU额外时间
movd mm2, dword ptr
lea edi,
movd mm3, dword ptr
pmuludq mm2, mm1
paddq mm0, mm3
paddq mm0, mm2
movd dword ptr , mm0
psrlq mm0, 32
lea ebx,
sub ecx, 1
jnz mbinmul3
执行顺序可能是
1、movd mm2, dword ptr
1、lea edi,
1、movd mm3, dword ptr
2、pmuludq mm2, mm1
2、paddq mm0, mm3
3、paddq mm0, mm2
4、movd dword ptr , mm0
4、psrlq mm0, 32
4、lea ebx,
2、sub ecx, 1
5、jnz mbinmul3
理论上，CPU存在多个执行单元，调整指令顺序，减少指令依赖可以提升速度。然而我之前的种种实验表明，这种调整指令顺序，提高并行度的做法并无多大效果，不知何故。
另一种行之有效的优化循环的办法是减少控制指令，这种做法在某些CPU效果相当明显，我们以本贴子中出现过的程序为例给予说明。
UInt480x480_yaos,UInt480x480_MMX2,UInt480x480_MMX3 这三个函数均为以普通方式计算大数乘法的函数，
程序的逻辑也相同，不过 UInt480x480_yaos多做了一些额外的工作，即需要先将目标buffer清零。
先看看他们在2种CPU的速度表现,计算2个长为15个DWORD的乘积，运行100万次
PIV 2.6 PM1.7
UInt480x480_yaos698.655 ms 1053.610 ms
UInt480x480_MMX2671.515 ms 863.055 ms
UInt480x480_MMX3585.015 ms 798.775 ms
再分析一下这几个程序的差异，这几个程序均为2重循环，在循环体中，包括真正干活的指令和循环控制的指令，循环控制的指令又分调整数组指针或计数器的指令 和 比较/跳转指令.这3个程序中内循环指令条数分别为11，10，9，其中循环控制指令分别为4，3，2条。
第一个程序，循环控制指令是 “lea edi, ”，“lea ebx, ”，“sub ecx, 1”，“jnz mbinmul3”，共4条。第一个程序，循环控制指令是“inc eax”，“cmp eax,dword ptr ”，“jbinnerLoop”。第三个程序循环控制指令是“inc eax”，“jnz innerLoop”。
第三个程序的速度已经非常逼近完全循环展开的版本，尤其是在PM CPU。在PIV/PM,速度分别达到完全循环展开程序的82%/%95.
下面给出这三个程序调用到的子程序的完整的代码。程序UInt480x480_yaos 调用到的子程序的代码
voidlMul_yaos(uint32*result,
const uint32*left,
const uint32*right,
uint32 sLeft,
uint32 sRight)
{
__asm {
mov edx, sLeft
movesi, dword ptr
movedi, dword ptr
movebx, dword ptr
mbinmul2:
mov eax, ebx
pxor mm0, mm0
mov ecx, sRight
movd mm1, dword ptr
movd mm4, edi
mbinmul3:
movd mm2, dword ptr
lea edi,
movd mm3, dword ptr
pmuludq mm2, mm1
paddq mm0, mm3
paddq mm0, mm2
movd dword ptr , mm0
psrlq mm0, 32
lea ebx,
sub ecx, 1
jnz mbinmul3
movd edi, mm4
movd dword ptr , mm0
mov ebx, eax
lea esi,
lea ebx,
sub edx, 1
jnz mbinmul2
emms
}
}程序UInt480x480_MMX2 调用到的子程序的代码
_declspec(naked)
void UIntMul_basecase_MMX2( unsigned long * result,
const unsigned long *left,
const unsigned long *right,
unsigned long leftLen,
unsigned long rightLen )
{
#define STACK_BASE 12
__asm
{
push esi
push edi
push ebp
mov ebp,dword ptr ; result
movesi,dword ptr ; left
movedi,dword ptr ; right
mov ecx,dword ptr ; rightLen
//next10:
cmp ecx,0
jz thisExit
//loop1_Init:
xor eax,eax // j=0;i<leftLen
pxor mm0,mm0
movd mm2,
jmp loop1_Cmp
loop1:
movd mm1,
pmuludq mm1,mm2
paddq mm0, mm1
movd ,mm0
inc eax
psrlq mm0, 32 //carry
loop1_Cmp:
cmp eax,dword ptr //leftLen
jb loop1
movd ,mm0
//outLoopInit:
mov ecx,1 // i=1;i<rightLen
jmp outLoopCmp
outLoop:
add ebp,4
pxor mm0,mm0
movd mm2,
xor eax,eax
jmp innerLoopCmp
innerLoop:
movd mm1,
movd mm3,
pmuludq mm1,mm2
paddq mm0, mm1
paddq mm0, mm3
movd ,mm0
inc eax
psrlq mm0, 32 //carry
innerLoopCmp:
cmp eax,dword ptr //leftLen
jb innerLoop
movd ,mm0
inc ecx
outLoopCmp:
cmp ecx,dword ptr //rightLen
jb outLoop
thisExit:
pop ebp
pop edi
pop esi
emms
ret
}
}程序UInt480x480_MMX3 调用到的子程序的代码:
_declspec(naked)
void UIntMul_basecase_MMX3( unsigned long * result,
const unsigned long *left,
const unsigned long *right,
unsigned long leftLen,
unsigned long rightLen )
{
#define STACK_BASE 12
__asm
{
push esi
push edi
push ebp
mov ebp,dword ptr ; result
movesi,dword ptr ; left
movedi,dword ptr ; right
mov ecx,dword ptr ; rightLen
//next10:
cmp ecx,0
jz thisExit
//loop1_Init:
xor eax,eax // j=0;i<leftLen
pxor mm0,mm0
movd mm2,
jmp loop1_Cmp
loop1:
movd mm1,
pmuludq mm1,mm2
paddq mm0, mm1
movd ,mm0
inc eax
psrlq mm0, 32 //carry
loop1_Cmp:
cmp eax,dword ptr //leftLen
jb loop1
movd ,mm0
//outLoopInit:
mov ecx,1 // i=1;i<rightLen
mov eax,dword ptr //leftLen
lea esi,
lea ebp,
jmp outLoopCmp
outLoop:
add ebp,4
pxor mm0,mm0
movd mm2,
mov eax,dword ptr //leftLen
neg eax
jmp innerLoopCmp
innerLoop:
movd mm1,
movd mm3,
pmuludq mm1,mm2
paddq mm0, mm1
paddq mm0, mm3
movd ,mm0
psrlq mm0, 32 //carry
inc eax
innerLoopCmp:
jnz innerLoop
movd ,mm0
inc ecx
outLoopCmp:
cmp ecx,dword ptr //rightLen
jb outLoop
thisExit:
pop ebp
pop edi
pop esi
emms
ret
}
}
不起作用的原因是现代CPU乃乱序执行的
我有2台电脑，PIV 和 PM，我在优化程序的时候总是要在2台电脑上测试。某些优化手段在一台电脑上效果很明显，但在另外型号的电脑上可能不明显。现在总结一下这2台电脑的差异。
PM ADC指令相对较慢，减少ADC指令，提速效果明显，而PIV 则不明显。
PM 内存子系统相对较慢，减少内存写提速效果明显，而PIV 则不明显。
PM 指令并行执行的较差，减少指令条数提速效果明显，而PIV 则不明显。
PIV SSE2 指令中访问 128bit寄存器的指令速度很快，而PM则非常慢，用128bit寄存器优化大数乘法，速度不升反降。
PM类似现在Core核心
但属于Core一代
PM的SSE2执行单元少
且其他执行单元少
但解码单元多