摘要
satd8表示以4x4为单位进行哈达玛变换，sa8d则是以8x8为单位。需要优化的尺寸分别有8x8、16x16、32x32、64x64。基本思想相同，但实现上存在一定的差异。
正文
satd8
首先是satd8，x86给出了8x4的实现方法，和4x4类似，但它可以作为后续的基础。因为对于4x4的尺寸，一个128位向量寄存器需要两行元素进行填充。而对于8x4的尺寸，主要是宽大于等于8时，一个向量寄存器只存储一行中的部分或全部元素。计算的形式就可以固定下来，比如若宽度为16时，就可以以8为单位分别计算。这里讲解下8x4尺寸的实现。当前只考虑在MIPS下的实现。
首先取每行pixel（64b）置于向量寄存器的低64位。将相邻元素相减和相加并扩展到16位。然后将相减得到的低64位插入相加得到的结果的高64位中。得到
{ c o l 7 − c o l 6 , c o l 5 − c o l 4 , c o l 3 − c o l 2 , c o l 1 − c o l 0 , c o l 7 + c o l 6 , c o l 5 + c o l 4 , c o l 3 + c o l 2 , c o l 1 + c o l 0 } \{ col_7-col_6, col_5-col_4, col_3-col_2, col_1-col_0, col_7 + col_6, col_5 + col_4, col_3 + col_2, col_1+col_0\} {col7−col6,col5−col4,col3−col2,col1−col0,col7+col6,col5+col4,col3+col2,col1+col0}
其实 c o l 4 . . . c o l 7 col_4...col_7 col4...col7和 c o l 0 . . . c o l 3 col_0...col_3 col0...col3都为4x4的基本单元，它们之间并没有什么连续的关系。
这之后同样是行间加减操作，完成列变换。之后取绝对值，然后向量交错。要达到一个效果：得到的两个寄存器，对应位置包括所有列元素。只要达到这一要求，怎么交错都可以。我仍是分别取出奇偶位置元素，然后奇偶交错存储。原本在同一寄存器中相邻的元素，现在变为在两个寄存器中对应位置。
然后两个寄存器对应位置取大值，相邻元素求和扩展至32位，最后32位元素求和得到结果。这里也体现了绝对值取max的好处，原本需要四个元素经过计算得到结果，使用这种方法后，将这个过程划分为两个步骤，两对元素分别计算，最后求和得到结果。两对元素可以独立操作，将计算所需数据集划分的非常小，两个向量寄存器的对应16位为一个数据集，数据集的构造也就非常简单，可以得到较高的并行度。
satd_8x4就是这样一个过程，但是编译后观察*.S中间文件，该尺寸并没有最大限度的使用向量寄存器，表示还有可以展开的空间。因此，尝试16x4和8x8的尺寸。8x8是肯定需要的，将上面的8x4和下面的8x4同时进行运算，达到的效果是基本上使用了所有的32个向量寄存器，已经是最大程度展开。16x4也是一样，将左边的8x4和右边的8x4同时计算。对于16x4的需求，考虑到访存的结构，遵从横向访问顺序，同一缓存行中的内容连续访问，直到使用结束，这里是以四个缓存行为一个单元。
16x16、32x32、64x64的尺寸都是以循环调用16x4的形式完成。16x4的函数设置为内联的形式。然后观察这些尺寸在编译中间文件*.S文件中的情况，基本正常。但是经过编译器优化后出现了几个 move.v向量赋值指令，可能编译器为了省着用寄存器吧，虽然会增加指令间的相关性，但不会造成太大的影响。
sa8d
sa8d是以8x8为单位完成哈达玛变换，这里简单讲述一下实现过程，最基本的8x8的尺寸。
前面其实和8x4差不都，同样构造出这样一个数据形式
${ col_7-col_6, col_5-col_4, col_3-col_2, col_1-col_0, $
$ col_7 + col_6, col_5 + col_4, col_3 + col_2, col_1+col_0}$
后续列变换由于是以8x8为单位，需要将8行元素相互加减运算完成。不同之处也就多了几次加减运算。
然后是行变换。在这里 c o l 4 . . . c o l 7 col_4...col_7 col4...col7和 c o l 0 . . . c o l 3 col_0...col_3 col0...col3就存在关联了。而且上面说过绝对值取max，照上面的理论反推需要的数据。8列元素，划分为两个子数据集，简单的划分方法就是 c o l 4 . . . c o l 7 col_4...col_7 col4...col7四个元素为一组， c o l 0 . . . c o l 3 col_0...col_3 col0...col3为一组。一组四个元素，共有4种加减组合，最终明确得到2x4=8个数据。8个数据两两组合（需要包括所有 c o l 0 . . . c o l 7 col_0...col_7 col0...col7），绝对值取max得到第一步骤的结果。而要得到这8个数据，首先需要向量交错，这里使用pckod指令，分别取出两个源寄存器的奇数位，一个置于高64位，另一个置于低64位，还有pckev指令，取的是偶数位。得到
c
o
l
7
−
c
o
l
6
,
c
o
l
3
−
c
o
l
2
,
c
o
l
7
+
c
o
l
6
,
c
o
l
3
+
c
o
l
2
col_7 - col_6, col_3 - col_2, col_7 + col_6, col_3 + col_2
col7−col6,col3−col2,col7+col6,col3+col2
c
o
l
5
−
c
o
l
4
,
c
o
l
1
−
c
o
l
0
,
c
o
l
5
+
c
o
l
4
,
c
o
l
1
+
c
o
l
0
col_5 - col_4, col_1 - col_0, col_5 + col_4, col_1 + col_0
col5−col4,col1−col0,col5+col4,col1+col0
两个寄存器对应位置的值，然后两个寄存器addv和subv得到8组数据。要构造两个寄存器对应位置就为同组数据，也就是对应位置组合包括 c o l 0 . . . c o l 7 col_0...col_7 col0...col7所有元素。仍然需要ilvod和ilvev指令，分别取奇数位或者偶数位，组合出新的寄存器值。举一组元素作为例子
c
o
l
3
+
c
o
l
2
+
c
o
l
1
+
c
o
l
0
col_3+col_2+col_1+col_0
col3+col2+col1+col0
c
o
l
7
+
c
o
l
6
+
c
o
l
5
+
c
o
l
4
col_7+col_6+col_5+col_4
col7+col6+col5+col4
最后同样hadd相邻求和，扩展32位，只是要操作的寄存器变多了而已。
这就是sa8d_8x8的内容，观察编译中间文件，已经达到可展开的极限。然后将其作为基本函数，供16x16等尺寸循环调用。但发现中间文件中，这些尺寸的优化结果非常糟糕，向量寄存器和定点寄存器都出现不够用的情况，导致循环中非常多的堆栈操作。
因此判断需要在一定程度上降低sa8d_8x8的并行度，当然这是针对需要内联的sa8d_8x8_internal，供外部调用的可以是原本的sa8d_8x8。而这里可以顺序执行的部分有从加载数据，到得到残差，也就是列变换之前。这个部分中都是对一行中的元素进行操作。降低一个级别，原本8行数据同时进行计算，现在4行数据并行计算。
测试得到向量寄存器满足要求，但定点寄存器仍存在问题。这里判断是访存结构的问题。定点寄存器的值都是 p o i n t e r + n ∗ s t r i d e pointer + n * stride pointer+n∗stride或者 n ∗ s t r i d e n * stride n∗stride等一些常量。可以确定是过多的连续load而不更新pointer导致的问题，原本是4个load更新一次pointer，虽然这样能提高运行速度，避免过多定点计算。但这里只能牺牲性能。最后采用的策略是load一次，更新一次，最低性能。保证内层循环不存在任何的堆栈操作。
总结
这些就是哈达玛变换的所有内容，已经保证编译的中间文件呈现出最优的形式，但后续还要在仿真软件上验证优化结果。
600
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
