Phase Vocoderの最適化、といってもSSE向けのみですが、おおかた終わりました。
gcc 3.4.5 (mingw-special) で C++版だと CPU 使用率で15%ほどだった物がSSE最適化で7%ほどになります。おおむね２倍ほど高速な様子。最終的にはアルゴリズムの改良により2～4%ほどになっています
gcc のベクトル演算機能(自動ベクトル化ではない)を使ってみましたが、なかなかイイですね(iccやVC++も持ってるはず)。a = b*c+d; とか、普通の式で指定しても、ちゃんとmulps, addps, movapsなどのSSE命令を生成してくれます。
ちょっと落とし穴だったのが、スタックのアラインメントの調整です。
gccではなんだったかのヘッダファイルをインクルードすると__m128型がXMMレジスタ(128bitレジスタ)に対応する型として使えるようになりますが、レジスタが足りなくなるとスタック上に置かれることもあります。この場合はスタックにアクセスするためにmovaps命令などが使用されますが、これらの命令はアクセス先のアドレスが128bit境界にアラインメントされてないとそこでクラッシュします。
gccはデフォルトでスタックを128bit境界にアラインメントするようですが、それは「呼び出し元スタックポインタが128bit境界でアラインメントされていれば」という前提がつきます。呼び出し元のスタックポインタがズレていた場合は、呼び出された関数でもずっとズレたままになります。gccだけで完結しているプログラムならばいいのですが、どこでズレるのかというと、他の言語やOS、他のライブラリからコールバックされる場合にズレます。gccのように必ず128bit境界にアラインメントを行ってから次の関数を呼び出すならば良いのですが、他の言語やOS、ライブラリなどでは必ずしもそうはなってません。
なので、どこかでスタックを調整しなければなりません。現時点での開発版のgccにはforce_align_arg_pointerという、スタックのアラインメントを動的に調整する属性があるようですが、今使っている gcc 3.4.5 にも 4.1 にも無いようです。
仕方がないので以下のようなコードを呼び出しの途中に挟んで対処しています。
__attribute__((noinline)) void call_cushion()
{
// calleeがinline展開されるとたぶん困るのでわざと
// この関数を挟む
return callee();
}
__attribute__((noinline)) void call_align()
{
// alloca を呼び出すと、コンパイラは -fomit-frame-pointer を指定されていても
// フレームポインタを作らざるを得なくなる
alloca(1);
// スタックをalign
asm __volatile__ ("andl $-16, %%esp" : : : "%esp" );
// call_cushion を呼ぶ (この場にcalleeがインライン展開されるとたぶん困る)
return call_cushion();
}
これはだいたい以下のようなアセンブリコードになります。
_call_cushion:
jmp _callee ; callee にジャンプ
_call_align:
push ebp
mov ebp, esp ; フレームポインタを作成
sub esp, 24 ; これがallocaに相当(ホントは意味無い)
and esp, 0fffffff0h ; ここで128bit境界にアラインメント
call _call_cushion
leave ; フレームを破棄
ret
もっとスマートな方法がないのかしら。
上記のコードはSSEを使う関数ごとに挟まないとならないわけではなく、原理的には、他の言語やOS、ライブラリなどからコールバックされた直後に挟めば良い物です。
